Search ThaiLIS Digital Collection 2019 x

แจ้งเอกสารไม่ครบถ้วน, ไม่ตรงกับชื่อเรื่อง หรือมีข้อผิดพลาดเกี่ยวกับเอกสาร ติดต่อที่นี่ ==>
หากไม่มีอีเมลผู้รับให้กรอก thailis-noc@uni.net.th

Karin Huangsuwan.  Enhancing the performance of federated learning with diffusion models: leveraging synthetic data to address non-IID data challenges.  Master's Degree(Computer Engineering).  Chulalongkorn University. Office of Academic Resources. : Chulalongkorn University, 2569.

Title

Enhancing the performance of federated learning with diffusion models: leveraging synthetic data to address non-IID data challenges

Title Alternative

การเพิ่มประสิทธิภาพของการเรียนรู้แบบร่วมกันด้วยโมเดลการแพร่: การใช้ข้อมูลสังเคราะห์เพื่อแก้ปัญหาข้อมูลไม่เหมือนกันและไม่เป็นอิสระต่อกัน

Creator

Name: Karin Huangsuwan

Description

Abstract: In the context of machine learning in healthcare, federated learning (FL) is frequently seen as an effective approach to tackling issues of data privacy and distribution. Nonetheless, many real-world datasets exhibit non-identical and independently distributed (non-IID) characteristics, meaning that data features vary across different institutions. This non-IID nature presents challenges for FL model convergence, such as client drifting, where model weights lean towards local optima rather than global optimum. To address these issues, we introduce a new framework called "FedDrip (Federated Learning with Diffusion Reinforcement at Pseudo-site)," which leverages diffusion-generated synthetic data to mitigate data-related problems in non-IID settings. Our pseudo-site concept is designed to use synthetic data without sharing actual data among participation institutions, thus preventing data leaks. This strategy can be integrated into any federated framework, including FedAvg and FedDyn. Our experiments on the NIH ChestX-ray14 dataset showed that FedDrip improves performance by 1.66%, 2.33%, and 0.64% for FedAvg, FedDyn, and FedProx, respectively, based on the AUC metric. Additionally, we conducted empirical studies to explore the impact of prompting style, prompt accuracy, and data scarcity on the inference of diffusion models, using the Fréchet inception distance (FID) metric for generative models.

Abstract: ในบริบทของการเรียนรู้ของเครื่องเพื่อการแพทย์ การเรียนรู้แบบร่วมกัน ถูกจัดว่าเป็นวิธีที่มีประสิทธิภาพในการจัดการกับปัญหาความเป็นส่วนตัวและการกระจายตัวของข้อมูล อย่างไรก็ตาม ชุดข้อมูลในโลกความเป็นจริงหลาย ๆ ชุดมีลักษณะไม่เหมือนกันและไม่เป็นอิสระต่อกัน ซึ่งหมายความว่าคุณลักษณะของข้อมูลจะแตกต่างกันไปในแต่ละสถาบันซึ่งเป็นแหล่งที่มาของข้อมูล ความไม่เป็นหนึ่งเดียวกันของข้อมูลนี้ทำให้โมเดลเรียนรู้แบบร่วมกันเกิดปัญหาในการลู่เข้า เช่น การเบี่ยงเบนเข้าหาข้อมูลแต่ละแหล่งมากเกินไป ซึ่งน้ำหนักของโมเดลจะเบี่ยงเบนไปสู่ค่าที่เหมาะสมภายในข้อมูลที่มีแต่ละแหล่ง แทนที่จะเป็นค่าที่เหมาะสมร่วมกันของทุกแหล่งข้อมูล เพื่อแก้ไขปัญหาเหล่านี้ ผู้วิจัยได้เสนองานใหม่ที่เรียกว่า "FedDrip (การเรียนรู้แบบร่วมกันผนวกการเสริมกำลังด้วยโมเดลการแพร่ที่ไซต์เทียม)" ซึ่งใช้ข้อมูลสังเคราะห์ที่สร้างจากโมเดลการแพร่เพื่อบรรเทาปัญหาที่เกี่ยวข้องกับข้อมูลในกรณีที่ข้อมูลไม่เหมือนกันและไม่เป็นอิสระต่อกัน แนวคิดของไซต์เทียมได้รับการออกแบบเพื่อใช้ข้อมูลสังเคราะห์โดยไม่ต้องแบ่งปันข้อมูลจริงระหว่างสถาบันที่เข้าร่วม เพื่อป้องกันการรั่วไหลของข้อมูล กลยุทธ์นี้สามารถบูรณาการเข้ากับระบบใด ๆ รวมถึง FedAvg และ FedDyn การทดลองของเราบนชุดข้อมูล NIH ChestX-ray14 แสดงให้เห็นว่า FedDrip สามารถเพิ่มประสิทธิภาพได้ 1.66%, 2.23%, และ 0.64% สำหรับ FedAvg, FedDyn, และ FedProx ตามลำดับ โดยใช้ AUC เป็นมาตรวัด นอกจากนี้ เราได้ทำการศึกษาเชิงประจักษ์เพื่อสำรวจผลกระทบของคำสั่งต่อคุณภาพรูป ความถูกต้องของคำสั่ง และความขาดแคลนของข้อมูลต่อการทำงานของโมเดลการแพร่ โดยใช้เมตริก Fréchet inception distance (FID) เพื่อวัดความสามารถในการสร้างรูปของโมเดล

Publisher

Chulalongkorn University. Office of Academic Resources

Address: BANGKOK

Email: cuir@car.chula.ac.th

Contributor

Name: Peerapon Vateekul

Role: Advisor

Name: Aik Beng Ng

Role: Advisor

Date

Created: 2569

Modified: 2026-09-02

Issued: 2023

Issued: 2026-09-02

Type

วิทยานิพนธ์/Thesis

Format

application/pdf

Language

eng

Thesis

DegreeName: Master of Engineering

Level: Master's Degree

Descipline: Computer Engineering

Grantor: Chulalongkorn University

Rights

RightsAccess:

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	6570020721.pdf	3.08 MB

ใช้เวลา

0.026058 วินาที

Creator : Karin Huangsuwan

Title	Contributor	Type
Enhancing the performance of federated learning with diffusion models: leveraging synthetic data to address non-IID data challenges จุฬาลงกรณ์มหาวิทยาลัย Karin Huangsuwan	Peerapon Vateekul Aik Beng Ng	วิทยานิพนธ์/Thesis

Contributor : Peerapon Vateekul

Title	Creator	Type and Date Create
Ocean current prediction in the gulf of Thailand using spatio-temporal deep learning on high-frequency radar จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Siam Lawawirojwong	Nathachai Thongniran	วิทยานิพนธ์/Thesis
A deep relation extraction from biomedical texts with attention mechanisms and domain-specific contextual representations จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Duangdao Wichadakul	Amarin Jettakul	วิทยานิพนธ์/Thesis
Semi-supervised Thai sentence segmentation using local and distant word representations จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul	Chanatip Saetia	วิทยานิพนธ์/Thesis
A robust system for core thai natural language processing technologies จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Prachya Boonkwan	Can Udomcharoenchaikit	วิทยานิพนธ์/Thesis
Explainable stock price prediction using technical indicators with short Thai textual information จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul	Kittisak Prachyachuwong	วิทยานิพนธ์/Thesis
Deep learning approach on symptom questionnaire and abdominal radiography for diagnosis of dyssynergic defecation จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Tanisa Patcharatrakul	Sornsiri Poovongsaroj	วิทยานิพนธ์/Thesis
A Rationale-based Lifelong Learning Framework with Pseudo-sample Replay Enhancement จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Boonserm Kijsirikul	Kasidis Kanwatchara	วิทยานิพนธ์/Thesis
Deep reinforcement learning for electricity energy trading จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul	Manassakan Sanayha	วิทยานิพนธ์/Thesis
Real-time image classification for malignant biliary strictures on cholangioscopy images based on deep learning approach จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Phonthep Angsuwatcharakon	Passakron Phuangthongkham	วิทยานิพนธ์/Thesis
Leverage graph neural network for molecular properties prediction จุฬาลงกรณ์มหาวิทยาลัย Duangdao Wichadakul;Peerapon Vateekul	Kamol Punnachaiya	วิทยานิพนธ์/Thesis
Real-time gastric intestinal metaplasia semantic segmentation with multiple abnormalities using deep learning approach จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Kasenee Tiankanon	Passin Pornvoraphat	วิทยานิพนธ์/Thesis
Multi-agent deep reinforcement learning for cryptocurrency trading จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul	Kittiwin Kumlungmak	วิทยานิพนธ์/Thesis
Link prediction using deep learning approach for type 2 diabetes drug repurposing จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul	Sothornin Mam	วิทยานิพนธ์/Thesis
Depression classification on privacy protected facial features data จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Solaphat Hemrungrojn	Yanisa Mahayossanunt	วิทยานิพนธ์/Thesis
Machine Reading Comprehension for Multiclass Questions on Thai Corpus จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul	Theerit Lapchaicharoenkit	วิทยานิพนธ์/Thesis
Semantic segmentation on remotely sensed images using deep convolutional encoder-decoder neural network จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Kulsawasd Jitkajornwanich	Teerapong Panboonyuen	วิทยานิพนธ์/Thesis
Thai stock return prediction using deep learning models with stock indicators and textual features จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul	Tanawat Chiewhawan	วิทยานิพนธ์/Thesis
Development and validation of the Parkinson\'s sensory stimulator shoe for improvement of freezing of gait among Parkinson\'s disease patients with unresponsive freezing of gait จุฬาลงกรณ์มหาวิทยาลัย Roongroj Bhidayasiri;Pattamon Panyakaew;Peerapon Vateekul	Warongporn Phuenpathom	วิทยานิพนธ์/Thesis
Fast panoptic segmentation on urban street scenes จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Kultida Rojviboonchai	Chananvich Plabplathong	วิทยานิพนธ์/Thesis
Enhancing the performance of federated learning with diffusion models: leveraging synthetic data to address non-IID data challenges จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Aik Beng Ng	Karin Huangsuwan	วิทยานิพนธ์/Thesis
Multi-modal deep learning for diagnosis of dyssynergic defecation using abdominal X-ray images and symptom questionnaires จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Tanisa Patcharatrakul	Sirapob Sangnark	วิทยานิพนธ์/Thesis
Automatic reconstruction of skull implants using deep learning approach จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Titipat Achakulvisut	Thatchapatt Kesornsri	วิทยานิพนธ์/Thesis

Contributor : Aik Beng Ng

Title	Creator	Type and Date Create
Enhancing the performance of federated learning with diffusion models: leveraging synthetic data to address non-IID data challenges จุฬาลงกรณ์มหาวิทยาลัย Peerapon Vateekul;Aik Beng Ng	Karin Huangsuwan	วิทยานิพนธ์/Thesis