Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

Validation of Federated Unlearning on Collaborative Prostate Segmentation

Identification

Clé publique
radar:r-a5e8856ffdc1ad142ac372497387ab22
Auteurs
Yann Fraboni · Lucia Innocenti · Michela Antonelli · Richard Vidal · Laetitia Kameni · Sebastien Ourselin · Marco Lorenzi
Année déclarée
—
Langue déclarée
en
Type source
COMM
Première détection
2026-11-13T08:56:02.133601+00:00
Dernière observation des métadonnées
2026-11-13T08:56:02.133601+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

E-Patient : Images, données & mOdèles pour la médeciNe numériquE · Centre Inria d'Université Côte d'Azur · Institut National de Recherche en Informatique et en Automatique · King‘s College London · Accenture Labs [Ireland] · King's College Hospital

Résumé documentaire — langue originale

Machine Unlearning (MU) is an emerging discipline studying methods to remove the effect of a data instance on the parameters of a trained model. Federated Unlearning (FU) extends MU to unlearn the contribution of a dataset provided by a client wishing to drop from a federated learning study. Due to the emerging nature of FU, a practical assessment of the effectiveness of the currently available approaches in complex medical imaging tasks has not been studied so far. In this work, we propose the first in-depth study of FU in medical imaging, with a focus on collaborative prostate segmentation from multi-centric MRI dataset. We first verify the unlearning capabilities of a panel of FU methods from the state-of-the-art, including approaches based on model adaptation, differential privacy, and adaptive retraining. For each method, we quantify their unlearning effectiveness and computational cost as compared to the baseline retraining of a model from scratch after client dropout. Our work highlights a new perspective for the practical implementation of data regulations in collaborative medical imaging applications.

Identifiants

DOI
10.1007/978-3-031-47401-9_31
HAL
hal-04417106

Repères documentaires

Famille documentaire
unknown
Types déclarés par les sources
COMM
Éditeurs
Springer Nature Switzerland

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

HAL · Document 1

Citer cette référence

Yann Fraboni; Lucia Innocenti; Michela Antonelli; Richard Vidal; Laetitia Kameni; Sebastien Ourselin; Marco Lorenzi. Validation of Federated Unlearning on Collaborative Prostate Segmentation. https://doi.org/10.1007/978-3-031-47401-9_31

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Yann Fraboni; Lucia Innocenti; Michela Antonelli; Richard Vidal; Laetitia Kameni; Sebastien Ourselin; Marco Lorenzi. Validation of Federated Unlearning on Collaborative Prostate Segmentation. https://doi.org/10.1007/978-3-031-47401-9_31
Chicago
Yann Fraboni; Lucia Innocenti; Michela Antonelli; Richard Vidal; Laetitia Kameni; Sebastien Ourselin; Marco Lorenzi. Validation of Federated Unlearning on Collaborative Prostate Segmentation. https://doi.org/10.1007/978-3-031-47401-9_31
ISO 690
Yann Fraboni; Lucia Innocenti; Michela Antonelli; Richard Vidal; Laetitia Kameni; Sebastien Ourselin; Marco Lorenzi. Validation of Federated Unlearning on Collaborative Prostate Segmentation. https://doi.org/10.1007/978-3-031-47401-9_31

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. Validation of Federated Unlearning on Collaborative Prostate Segmentation. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-a5e8856ffdc1ad142ac372497387ab22/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://inria.hal.science/hal-04417106v1

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature