論文の概要: Multi-Participant Multi-Class Vertical Federated Learning

• arxiv url: http://arxiv.org/abs/2001.11154v1
• Date: Thu, 30 Jan 2020 02:39:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 11:36:11.501909
• Title: Multi-Participant Multi-Class Vertical Federated Learning
• Title（参考訳）: 多人数多人数垂直フェデレーション学習
• Authors: Siwei Feng and Han Yu
• Abstract要約: 本稿では,多人数VFL問題に対する多人数多人数垂直フェデレート学習(MMVFL)フレームワークを提案する。 MMVFLは、所有者から他のVFL参加者へのラベルの共有をプライバシー保護の方法で行うことができる。 実世界のデータセットを用いた実験結果から,MMVFLは複数のVFL参加者間でラベル情報を効果的に共有し,既存手法のマルチクラス分類性能と一致させることができることがわかった。
• 参考スコア（独自算出の注目度）: 16.75182305714081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) is a privacy-preserving paradigm for training collective machine learning models with locally stored data from multiple participants. Vertical federated learning (VFL) deals with the case where participants sharing the same sample ID space but having different feature spaces, while label information is owned by one participant. Current studies of VFL only support two participants, and mostly focus on binaryclass logistic regression problems. In this paper, we propose the Multi-participant Multi-class Vertical Federated Learning (MMVFL) framework for multi-class VFL problems involving multiple parties. Extending the idea of multi-view learning (MVL), MMVFL enables label sharing from its owner to other VFL participants in a privacypreserving manner. To demonstrate the effectiveness of MMVFL, a feature selection scheme is incorporated into MMVFL to compare its performance against supervised feature selection and MVL-based approaches. Experiment results on real-world datasets show that MMVFL can effectively share label information among multiple VFL participants and match multi-class classification performance of existing approaches.
• Abstract（参考訳）: Federated Learning(FL)は、複数の参加者からローカルに保存されたデータを使って、集合機械学習モデルをトレーニングするためのプライバシー保護パラダイムである。 垂直連合学習(VFL)は、同じサンプルID空間を共有するが、異なる特徴空間を持つ参加者を扱い、ラベル情報は1人の参加者によって所有される。 VFLの現在の研究は2つの参加者しかサポートせず、主にバイナリクラスのロジスティック回帰問題に焦点を当てている。 本稿では,多人数VFL問題に対する多人数多人数垂直フェデレート学習(MMVFL)フレームワークを提案する。 MMVFLは、マルチビュー学習(MVL)の概念を拡張し、所有者から他のVFL参加者へのラベル共有をプライバシー保護の方法で行う。 MMVFLの有効性を示すために,MMVFLに特徴選択スキームを組み込んで,その性能を教師付き特徴選択とMVLに基づくアプローチと比較する。 実世界のデータセットを用いた実験結果から,MMVFLは複数のVFL参加者間でラベル情報を効果的に共有し,既存手法のマルチクラス分類性能と一致させることができることがわかった。

関連論文リスト

• Federated Transformer: Multi-Party Vertical Federated Learning on Practical Fuzzily Linked Data [27.073959939557362]
  ファジィ識別子を持つ多人数ファジィVFLをサポートする新しいフレームワークFeTを紹介する。 実験の結果,FeTは50個までスケールした場合の精度で,ベースラインモデルを最大46%超えることがわかった。 2パーティファジィなVFL設定では、FeTは最先端のVFLモデルよりもパフォーマンスとプライバシが改善されている。
  論文  参考訳（メタデータ） (2024-10-23T16:00:14Z)
• Towards Active Participant-Centric Vertical Federated Learning: Some Representations May Be All You Need [0.0]
  VFL(Vertical Federated Learning)に新たなシンプルなアプローチを導入する。 Active Participant-Centric VFLは、アクティブな参加者が非協力的な方法で推論を行うことを可能にする。 この方法は、教師なし表現学習と知識蒸留を統合し、従来のVFL法に匹敵する精度を実現する。
  論文  参考訳（メタデータ） (2024-10-23T08:07:00Z)
• Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey [67.48187503803847]
  Vertical Federated Learning(VFL)は、プライバシ保護のための分散学習パラダイムである。 近年の研究では、VFLの様々な課題に対処する有望な成果が示されている。 この調査は、最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2024-05-25T16:05:06Z)
• Decoupled Vertical Federated Learning for Practical Training on Vertically Partitioned Data [9.84489449520821]
  本稿では,垂直的フェデレート学習(VFL)に対するブロックワイズ学習手法を提案する。 VFLでは、ホストクライアントがエンティティごとにデータラベルを所有し、すべてのゲストクライアントから中間的なローカル表現に基づいて最終表現を学習する。 分割ニューラルネットワークをトレーニングするためにDVFLを実装し、様々な分類データセット上でモデル性能がVFLに匹敵することを示す。
  論文  参考訳（メタデータ） (2024-03-06T17:23:28Z)
• Multi-View Class Incremental Learning [57.14644913531313]
  マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。 本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
  論文  参考訳（メタデータ） (2023-06-16T08:13:41Z)
• BadVFL: Backdoor Attacks in Vertical Federated Learning [22.71527711053385]
  フェデレートラーニング(FL)は、複数のパーティがデータを共有することなく、機械学習モデルを協調的にトレーニングすることを可能にする。 本稿では,VFLのロバスト性,特にバックドアアタックに焦点をあてる。 VFLでは,ラベル推論とバックドアフェーズという2つのフェーズからなる第1種クリーンラベルバックドアアタックが提案されている。
  論文  参考訳（メタデータ） (2023-04-18T09:22:32Z)
• A Survey on Vertical Federated Learning: From a Layered Perspective [21.639062199459925]
  本稿では,垂直連合学習(VFL)の現状を階層的視点から検討する。 我々は、VFLのコアコンポーネント、すなわちセキュアな垂直連合機械学習アルゴリズムを分析するために、新しいMOSP木分類法を設計する。 我々の分類学は、機械学習モデル(M)、保護オブジェクト(O)、セキュリティモデル(S)、プライバシ保護プロトコル(P)の4つの側面を考察している。
  論文  参考訳（メタデータ） (2023-04-04T14:33:30Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• A Framework of Meta Functional Learning for Regularising Knowledge Transfer [89.74127682599898]
  本研究では,データ豊富なタスクから一般化可能な関数型モデルをメタ学習することで,メタ関数型学習(MFL)の新たなフレームワークを提案する。 MFLは、限定ラベル付きデータに対する機能訓練が学習すべきより差別的な機能を促進することにより、異なる学習タスクに一般化可能な機能正規化に関するメタ知識を計算する。
  論文  参考訳（メタデータ） (2022-03-28T15:24:09Z)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。