Open fulfulggg opened 1 week ago
分散型データを用いた深層学習モデルの学習を可能にし、データプライバシーを確保する手法として、Federated learning (FL) が注目されています。しかし、FLでは、モデル性能の評価において通信コストが重要な要素となります。特に、視覚基盤モデルの転移学習は、膨大なリソースコストがかかるため困難です。本稿では、分類タスク向けに設計された、Federated Adaptive Contrastive Language Image Pretraining (FACMIC) モデルを提案します。FACMICは、各クライアントのデータに適した特徴を選択する、軽量かつ効率的な特徴量アテンションモジュールをCLIPに採用しています。さらに、クライアント間のデータ分布の差異を低減するために、ドメイン適応手法を提案します。4つの公開データセットを用いた実験の結果、FACMICが実世界の医療画像データや複数ソースの医療画像データを扱う上で優れた性能を発揮することを示しました。コードは https://github.com/AIPMLab/FACMIC で公開されています。
@yukihiko-fuyuki が以下のラベルを提案し、適用しました:
背景:
提案手法:
実験結果:
結論:
コード: https://github.com/AIPMLab/FACMIC
タイトル: FACMIC: 医療画像分類のための連合適応CLIPモデル
リンク: https://arxiv.org/abs/2410.14707
概要:
分散型データを用いた深層学習モデルの学習を可能にし、データプライバシーを確保する手法として、Federated learning (FL) が注目されています。しかし、FLでは、モデル性能の評価において通信コストが重要な要素となります。特に、視覚基盤モデルの転移学習は、膨大なリソースコストがかかるため困難です。本稿では、分類タスク向けに設計された、Federated Adaptive Contrastive Language Image Pretraining (FACMIC) モデルを提案します。FACMICは、各クライアントのデータに適した特徴を選択する、軽量かつ効率的な特徴量アテンションモジュールをCLIPに採用しています。さらに、クライアント間のデータ分布の差異を低減するために、ドメイン適応手法を提案します。4つの公開データセットを用いた実験の結果、FACMICが実世界の医療画像データや複数ソースの医療画像データを扱う上で優れた性能を発揮することを示しました。コードは https://github.com/AIPMLab/FACMIC で公開されています。