Efficient Federated Aggregation Technique for Brain Tumor Classification Using Transfer Learning Approaches
Notice bibliographique
Résumé
Federated learning (FL) is a decentralized machine learning technique enabling machine learning models to be trained on local datasets, preserving data privacy.Aggregation techniques play a vital role in FL since updates from multiple clients located at remote places are shared and combined to build a global model without directly accessing raw data.Most widely used averaging Algorithms such as FedAvg and FedAdam, are often difficult to tune and exhibit unfavorable convergence behavior when the clients participating in averaging vary.We propose a novel approach to allow a selected number of clients to participate in aggregation and hence speed up the convergence by increasing the performance of the machine learning model used to classify the brain tumor types, meningioma, glioma, no tumor, and pituitary utilizing a combination of Figshare, SARTAJ and Br35H dataset.We adopted an innovative approach which modifies the Xception model architecture optimized for Brain tumor classification We compared the performance of Xception, VGG19 and DenseNet201 pretrained classification models, where Xception model outperformed with a measured accuracy of 99.4.The proposed algorithm PC_FedAvg (Priority-based Client selection Federated Learning) is compared with existing FedAvg, FedAdam and FedProx, in terms of the number of communication rounds, along with the accuracy of the classification model and results show that PC_FedAvg has demonstrated improved performance than the selected approaches in terms of model accuracy, precision, and recall.PC_FedAvg gives the best results for the Xception model with a Precision of 90.52, Recall of 91.8, and accuracy of 91.6%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».