Domain Adaptation and Representation Transfer, and Distributed and Collaborative Learning: Second MICCAI Workshop, DART 2020, and First MICCAI Workshop, DCL 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4–8, 2020, Proceedings

این کتاب مجموعه مقالات داوری دومین کارگاه MICCAI در مورد تطبیق دامنه و انتقال نمایندگی، DART 2020، و اولین کارگاه آموزشی MICCAI در مورد یادگیری توزیع شده و مشارکتی، DCL 2020 است که در ارتباط با MICCAI 2020 در اکتبر برگزار شد. این کنفرانس قرار بود در لیما، پرو برگزار شود، اما به دلیل همه‌گیری ویروس کرونا به قالب آنلاین تغییر یافت.

برای DART 2020، 12 مقاله کامل از 18 مورد ارسالی پذیرفته شد. آنها با پیشرفت‌های روش‌شناختی و ایده‌هایی سر و کار دارند که می‌توانند کاربرد رویکردهای یادگیری ماشین (ML)/یادگیری عمیق (DL) را در تنظیمات بالینی با قوی‌تر کردن و سازگار کردن آنها در حوزه‌های مختلف بهبود بخشند.

برای DCL 2020، 8 مقاله موجود در این کتاب از مجموع 12 مقاله ارسالی پذیرفته شد. آنها بر مقایسه، ارزیابی و بحث در مورد پیشرفت روش‌شناختی و ایده‌های عملی در مورد یادگیری ماشینی که برای مشکلاتی که نمی‌توان داده‌ها را در پایگاه‌های اطلاعاتی متمرکز ذخیره کرد، استفاده کرد، تمرکز دارند. جایی که حریم خصوصی اطلاعات در اولویت است. در مواردی که لازم است ضمانت‌های قوی در مورد مقدار و ماهیت اطلاعات خصوصی ارائه شود که ممکن است توسط مدل در نتیجه آموزش آشکار شود. و در جاهایی که لازم است دسته‌هایی از گره‌هایی که در یک کار آموزشی شرکت می‌کنند، هماهنگ، مدیریت و هدایت شوند.

This book constitutes the refereed proceedings of the Second MICCAI Workshop on Domain Adaptation and Representation Transfer, DART 2020, and the First MICCAI Workshop on Distributed and Collaborative Learning, DCL 2020, held in conjunction with MICCAI 2020 in October 2020. The conference was planned to take place in Lima, Peru, but changed to an online format due to the Coronavirus pandemic.

For DART 2020, 12 full papers were accepted from 18 submissions. They deal with methodological advancements and ideas that can improve the applicability of machine learning (ML)/deep learning (DL) approaches to clinical settings by making them robust and consistent across different domains.

For DCL 2020, the 8 papers included in this book were accepted from a total of 12 submissions. They focus on the comparison, evaluation and discussion of methodological advancement and practical ideas about machine learning applied to problems where data cannot be stored in centralized databases; where information privacy is a priority; where it is necessary to deliver strong guarantees on the amount and nature of private information that may be revealed by the model as a result of training; and where it's necessary to orchestrate, manage and direct clusters of nodes participating in the same learning task.