인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술대회자료
- 저자정보
- 발행연도
- 2025.11
- 수록면
- 1,669 - 1,672 (4page)
이용수
초록· 키워드
의료 인공지능 분야에서 대규모 데이터 활용은 모델 성능 향상에 필수적이지만, 환자 개인정보 보호 규정으로 인해 의료기관 간 직접적인 데이터 공유는 제한적이다. 기존 연합학습 방법들은 모든 참여자가 동일한 모델 아키텍처를 사용한다고 가정하지만, 실제 의료 환경에서는 각 기관이 서로 다른 하드웨어 환경과 예산 제약에 따라 다양한 딥러닝 모델을 사용하고 있다. 본 연구는 이러한 이질적 모델 환경에서 로짓 기반 지식 증류를 활용한 의료 영상 연합학습 시스템을 제안한다. NIH Chest X-ray 데이터셋을 사용하여 50개의 서로 다른 클라이언트 모델 아키텍처(ResNet, DenseNet, EfficientNet, MobileNet 등)와 3개의 서버 모델(ServerCNN, ServerViT, ServerHybrid)을 구축하였다. 클라이언트 모델들은 개별적으로 학습한 후 로짓 벡터를 추출하여 서버로 전송하고, 서버 모델은 이를 소프트 타겟으로 활용하여 지식 증류 학습을 수행한다. 실험 결과, 클라이언트 모델들의 평균 정확도는 94.68%를 달성하였으며, 지식 증류를 통해 학습된 ServerHybrid 모델이 95.8%의 최고 성능을 보였다. 제안 방법은 모델 파라미터나 구조 정보를 공유하지 않으면서도 효과적인 지식 전달을 가능하게 하여, 각 의료기관의 독립성과 프라이버시를 보장하면서 협력적 학습을 통한 성능 향상을 달성하였다.
#Federated Learning
#Knowledge Distillation
#Heterogeneous Model Architectures
#Medical Image Analysis
#Chest X-ray Classification
#Privacy-Preserving Machine Learning
#Healthcare AI
#Logit-based Knowledge Transfer
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
목차
- 요약
- Abstract
- Ⅰ. 서론
- Ⅱ. 관련 연구
- III. 방법론 및 실험 설정
- III. 방법론 및 실험 설정
- V. 결론
- 참고문헌
참고문헌
참고문헌 신청최근 본 자료
UCI(KEPA) : I410-151-26-02-095613919
