論文の概要: Relational Data Synthesis using Generative Adversarial Networks: A
Design Space Exploration
- arxiv url: http://arxiv.org/abs/2008.12763v1
- Date: Fri, 28 Aug 2020 17:41:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 01:47:57.060120
- Title: Relational Data Synthesis using Generative Adversarial Networks: A
Design Space Exploration
- Title（参考訳）: 生成型adversarial networkを用いたリレーショナルデータ合成:設計空間探索
- Authors: Ju Fan, Tongyu Liu, Guoliang Li, Junyou Chen, Yuwei Shen, Xiaoyong Du
- Abstract要約: 統合されたGANベースのフレームワークを導入し、フレームワークの各コンポーネントに対する設計ソリューションの空間を定義します。
設計空間を探索する広範な実験を行い、従来のデータ合成手法と比較する。
GANはリレーショナルデータ合成に非常に有望であり、適切な設計ソリューションを選択するためのガイダンスを提供する。
- 参考スコア（独自算出の注目度）: 17.430665165811995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The proliferation of big data has brought an urgent demand for
privacy-preserving data publishing. Traditional solutions to this demand have
limitations on effectively balancing the tradeoff between privacy and utility
of the released data. Thus, the database community and machine learning
community have recently studied a new problem of relational data synthesis
using generative adversarial networks (GAN) and proposed various algorithms.
However, these algorithms are not compared under the same framework and thus it
is hard for practitioners to understand GAN's benefits and limitations. To
bridge the gaps, we conduct so far the most comprehensive experimental study
that investigates applying GAN to relational data synthesis. We introduce a
unified GAN-based framework and define a space of design solutions for each
component in the framework, including neural network architectures and training
strategies. We conduct extensive experiments to explore the design space and
compare with traditional data synthesis approaches. Through extensive
experiments, we find that GAN is very promising for relational data synthesis,
and provide guidance for selecting appropriate design solutions. We also point
out limitations of GAN and identify future research directions.
- Abstract（参考訳）: ビッグデータの普及は、プライバシー保護データ公開の急激な需要をもたらした。
この要求に対する従来のソリューションは、公開データのプライバシとユーティリティのトレードオフを効果的にバランスさせる上での制限がある。
そこで,データベースコミュニティと機械学習コミュニティは,GAN(Generative Adversarial Network)を用いたリレーショナルデータ合成の新たな課題を最近研究し,様々なアルゴリズムを提案する。
しかし,これらのアルゴリズムは同一の枠組みでは比較されないため,実践者がGANの利点や限界を理解することは困難である。
このギャップを埋めるために、我々は、GANを関係データ合成に適用することを研究する最も包括的な実験研究を行っている。
統合されたGANベースのフレームワークを導入し、ニューラルネットワークアーキテクチャやトレーニング戦略を含むフレームワークの各コンポーネントの設計ソリューションの空間を定義します。
設計空間を探索する広範な実験を行い、従来のデータ合成手法と比較する。
広範な実験を通して、GANは関係データ合成に非常に有望であり、適切な設計ソリューションを選択するためのガイダンスを提供する。
また,GANの限界を指摘し,今後の研究の方向性を明らかにした。
関連論文リスト
- FedNE: Surrogate-Assisted Federated Neighbor Embedding for Dimensionality Reduction [47.336599393600046]
textscFedNEは、textscFedAvgフレームワークと対照的なNEテクニックを統合する新しいアプローチである。
我々は、合成データセットと実世界のデータセットの両方について包括的な実験を行う。
論文 参考訳（メタデータ） (2024-09-17T19:23:24Z) - Interventional Causal Structure Discovery over Graphical Models with Convergence and Optimality Guarantees [0.0]
因果構造学習のための二段階最適化(Bloom)フレームワークを開発した。
ブルームは、介入データと観測データの両方から因果構造発見を理論的に支援するだけでなく、効率的な因果構造発見アルゴリズムを目指す。
合成と実世界の両方のデータセットの実験を通して、ブルームは他の主要な学習アルゴリズムを著しく上回っている。
論文 参考訳（メタデータ） (2024-08-09T02:22:50Z) - A supervised generative optimization approach for tabular data [2.5311562666866494]
本研究は,新しい合成データ生成フレームワークを提案する。
特定の下流タスクに適した教師ありコンポーネントを統合し、メタラーニングアプローチを用いて既存の合成分布の最適混合分布を学習する。
論文 参考訳（メタデータ） (2023-09-10T16:56:46Z) - Enhancing Human-like Multi-Modal Reasoning: A New Challenging Dataset
and Comprehensive Framework [51.44863255495668]
マルチモーダル推論は、人間のような知性を示す人工知能システムの追求において重要な要素である。
提案するマルチモーダル推論(COCO-MMR)データセットは,オープンエンド質問の集合を包含する新しいデータセットである。
画像とテキストエンコーダを強化するために,マルチホップ・クロスモーダル・アテンションや文レベルのコントラスト学習などの革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-07-24T08:58:25Z) - GAN-based Tabular Data Generator for Constructing Synopsis in
Approximate Query Processing: Challenges and Solutions [0.0]
Approximate Query Processing (AQP) は、データ(シノプシス)の要約に基づいて、集約されたクエリに近似した回答を提供する技術である。
本研究では,AQPを用いて合成構築を行うことのできる表データ生成におけるGAN(Generative Adversarial Networks)の新規活用について検討する。
以上の結果から,データ駆動システムにおけるAQPの効率と有効性に変化をもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2022-12-18T05:11:04Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳（メタデータ） (2022-04-16T08:08:29Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳（メタデータ） (2021-07-14T18:09:08Z) - Rethinking Architecture Design for Tackling Data Heterogeneity in
Federated Learning [53.73083199055093]
注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。
我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
論文 参考訳（メタデータ） (2021-06-10T21:04:18Z) - A study of traits that affect learnability in GANs [0.0]
Generative Adversarial Networks GANは、2つのニューラルネットワークを使用するアルゴリズムアーキテクチャである。
本稿では,パラメータ化合成データセットを用いて実験実験を行い,学習性に影響を与える特性について検討する。
論文 参考訳（メタデータ） (2020-11-27T13:31:37Z) - Foundations of Bayesian Learning from Synthetic Data [1.6249267147413522]
我々はベイズパラダイムを用いて、合成データから学習する際のモデルパラメータの更新を特徴付ける。
ベイジアン・アップデートの最近の成果は、決定理論に基づく新しい、堅牢な合成学習のアプローチを支持している。
論文 参考訳（メタデータ） (2020-11-16T21:49:17Z)
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。