AquaFed: Leveraging Federated Learning for Real-Time Schistosomiasis Prevention Through Water Quality Monitoring
Notice bibliographique
Résumé
Schistosomiasis, a waterborne parasitic disease caused by trematode flatworms of the genus Schistosoma, transmitted through skin contact with freshwater containing infectious larvae released by specific snail hosts, remains a critical public health concern in endemic regions, where early detection and intervention are vital for effective disease prevention. This work presents AquaFed, a decentralized system for real-time monitoring and forecasting of water quality parameters and freshwater snail populations—key indicators in schistosomiasis transmission. AquaFed leverages Federated Learning (FL) in combination with Long Short-Term Memory (LSTM) networks to enable predictive modeling across distributed IoT sensor kits. By training models locally and sharing only model updates, AquaFed significantly reduces communication bandwidth during both training and inference, while stabilizing local updates and accelerating global convergence, in addition to enabling scalable deployment in resource-constrained environments. Experimental evaluations conducted in a schistosomiasis-endemic region of Burkina Faso demonstrate that AquaFed achieves forecasting performance on par with traditional centralized learning approaches, while reducing the utilization of the communication bandwidth. These findings underscore the potential of AquaFed as a robust, communication-efficient platform for real-time risk assessment and proactive schistosomiasis control.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».