適応すべきタイミングは？フェデレーテッド医用画像におけるモデル適応かデータ適応か
arXiv cs.CV / 2026/5/5
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、クライアント間でドメインの不均一性が生じる状況において、フェデレーテッド学習を医用画像で適応させる方法を検討し、モデル側パーソナライズとデータ側ハーモナイズの2アプローチを比較しています。
- 6つの画像タスク（セグメンテーションと分類）に対して、統一した評価枠組みで最先端手法を体系的に検証し、多様なドメインシフトの種類をカバーしました。
- その結果、条件付きのトレードオフが明らかになり、見た目（appearance）中心の変動には入力側のハーモナイズが有効である一方、構造（structural）に違いがある場合にはモデル側パーソナライズがより効果的だと示されています。
- クライアント間の差が小さい場合は、両戦略の性能が概ね同等になることがわかり、適応の有効性は戦略の選択そのものよりも、ドメインシフトの種類と大きさに依存することを示唆しています。
- ハーモナイズとパーソナライズの選定に役立つ実用的ガイドラインを提示し、両パラダイムを組み合わせる将来のハイブリッド手法の方向性も示しています（コードはGitHubで公開）。
