論文の概要: GTAFL: Addressing Test-Agnostic Long-Tailed Federated Learning in Medical Image

• arxiv url: http://arxiv.org/abs/2611.08021v1
• Date: Thu, 05 Nov 2026 13:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.523455
• Title: GTAFL: Addressing Test-Agnostic Long-Tailed Federated Learning in Medical Image
• Title（参考訳）: GTAFL:医用画像におけるテスト非依存型長期学習への取り組み
• Abstract要約: 実世界の医療データは、しばしば地域やグローバルな視点で長い尾の分布を示す。 本稿では,テスト非依存型Long-Tailed Federated Learningと呼ばれる新しいタスクを紹介する。 我々のフレームワークは、他の最先端の手法よりも優れています。
• 参考スコア（独自算出の注目度）: 4.5226522133539895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In healthcare, protecting patient privacy is crucial due to the sensitivity of medical data and its extensive accessibility. Federated Learning (FL) offers a decentralized and privacy-preserving training paradigm, making it an ideal solution for healthcare applications. A critical challenge in healthcare is that real-world medical data often exhibits long-tailed distributions in local and global views. Existing methods addressing long-tailed FL problem typically assume that the model will be evaluated on uniform test data distribution. However, practical test data in healthcare systems is often agnostic and unpredictable, leading to potential model failures in real-world scenarios. In this paper, we introduce a novel task termed Test-Agnostic Long-Tailed Federated Learning and propose GTAFL, a comprehensive framework to address this challenge. During the training stage, GTAFL employs adaptive re-sampling, expert classifier retraining, and self-supervised learning to correct biased classifiers and distorted feature spaces caused by long-tailed training distributions. During the inference stage, an ensemble mechanism combines retrained expert classifiers to handle test data with unknown distributions. Extensive experiments on CIFAR10 and two medical datasets manifest that our framework outperforms other state-of-the-art methods. The code is available at https://github.com/cgy-lavine/GTAFL
• Abstract（参考訳）: 医療における患者のプライバシ保護は、医療データの感度と広範囲なアクセシビリティのために重要である。 Federated Learning(FL)は、分散型でプライバシ保護のトレーニングパラダイムを提供する。 医療における重要な課題は、実世界の医療データが、しばしば地域やグローバルな視点で長い尾の分布を示すことである。 長い尾のFL問題に対処する既存の手法では、モデルが一様のテストデータ分布で評価されることが典型的である。 しかし、医療システムにおける実践的なテストデータは、しばしば不可知であり予測不可能であり、現実のシナリオにおける潜在的なモデル失敗につながる。 本稿では,テスト非依存型Long-Tailed Federated Learningと呼ばれる新しい課題を紹介し,この課題に対処するための総合的なフレームワークであるGTAFLを提案する。 トレーニング段階では、GTAFLは適応的な再サンプリング、専門家の分類器の再訓練、自己教師付き学習を用いてバイアス付き分類器の修正と長い尾のトレーニング分布に起因する特徴空間の歪みを補正する。 推論段階では、アンサンブル機構は訓練された専門家分類器を組み合わせてテストデータと未知の分布を処理する。 CIFAR10と2つの医学データセットに関する大規模な実験は、我々のフレームワークが他の最先端の手法よりも優れていることを示している。 コードはhttps://github.com/cgy-lavine/GTAFLで入手できる。

関連論文リスト

• FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
  Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。 FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。 汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
  論文  参考訳（メタデータ） (2026-03-12T08:28:41Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Distributionally Robust Alignment for Medical Federated Vision-Language Pre-training Under Data Heterogeneity [4.84693589377679]
  医用ビジョン言語事前学習のためのFedDRA(Federated Distributionally Robust Alignment)を提案する。 FedDRAは異種条件下で頑健な視覚言語アライメントを実現する。 また,本手法は様々な医学的事前訓練法にも適している。
  論文  参考訳（メタデータ） (2024-04-05T01:17:25Z)
• Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
  医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。 最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。 ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
  論文  参考訳（メタデータ） (2022-06-20T23:49:38Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• FedSLD: Federated Learning with Shared Label Distribution for Medical Image Classification [6.0088002781256185]
  分類タスクのための共有ラベル分布(FedSLD)を用いたフェデレートラーニングを提案する。 FedSLDは、分布の知識が与えられた場合、最適化中に各データサンプルの局所的な目的への貢献を調整する。 その結果,FedSLDは従来のFL最適化アルゴリズムよりもコンバージェンス性能が高いことがわかった。
  論文  参考訳（メタデータ） (2021-10-15T21:38:25Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Federated Semi-Supervised Learning for COVID Region Segmentation in Chest CT using Multi-National Data from China, Italy, Japan [14.776338073000526]
  新型コロナウイルスはSARS-CoV-2感染の診断と管理に緊急に必要なものとなっている。 近年の取り組みはコンピュータによる特徴付けと診断に重点を置いている。 臨床データセンター間のデータのドメインシフトは、学習ベースのモデルをデプロイする際に深刻な課題となる。
  論文  参考訳（メタデータ） (2020-11-23T21:51:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。