%を可視化し、これを解消する。現実的な農業環境を模擬するために、FecalFed を非常に高い異質性の下で、かつ非IID条件（ディリクレ分布
alpha=0.5）において評価する。単一の農場のみで学習すると、このデータの異質性のために学習が破綻し、精度は64.86
%にとどまるが、連合学習の提案手法では機微なデータを中央に集約することなく性能を回復できる。具体的には、Swin-Small アーキテクチャを用いたサーバ側の適応的最適化（FedAdam）により 90.31
%の精度を達成し、中央集権型の上限である95.10
%にきわめて近い性能を示す。さらに、エッジ最適化した Swin-Tiny モデルが 89.74
%$の高い競争力ある性能を維持できることを示し、オンファームの鳥類疾病モニタリングに向けた、非常に効率的でプライバシーを最優先にした設計図を確立する。
FecalFed: フェデレーテッドラーニングによるプライバシー保護型家禽疾病検出
arXiv cs.CV / 2026/4/2
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、農場のデータを集約せずに、糞便画像から家禽の疾病を分類するための、プライバシー保護型フェデレーテッドラーニングの枠組み「FecalFed」を提案する。
- 厳密に重複排除したデータセット poultry-fecal-fl を構築し公開する（4つの疾病クラスに対し、固有画像 8,770 枚）。一般的な公開リポジトリからの重複率 46.89% を除去したことを報告している。
- 非IIDで極めて高い異質性を持つ農場条件（Dirichlet α=0.5）下での実験では、単一農場での学習は崩壊（精度 64.86%）するが、フェデレーテッドラーニングにより強い性能が回復する。
- FedAdam と Swin-Small モデルを用いることで、精度 90.31% を達成し、集約型（中央集約型）の上限 95.10% に近い結果となる。さらに、エッジ最適化した Swin-Tiny は、農場内の効率性を重視した運用において 89.74% を実現する。
- 著者らは、このアプローチを現実の鳥類疾病モニタリングと食料安全保障に向けた、スケーラブルでプライバシー重視の実装青写真として位置付けている。
