論文の概要: FLFE: A Communication-Efficient and Privacy-Preserving Federated Feature Engineering Framework

• arxiv url: http://arxiv.org/abs/2009.02557v1
• Date: Sat, 5 Sep 2020 16:08:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 20:35:28.013171
• Title: FLFE: A Communication-Efficient and Privacy-Preserving Federated Feature Engineering Framework
• Title（参考訳）: FLFE: コミュニケーション効率の良いプライバシ保護フェデレーション機能エンジニアリングフレームワーク
• Authors: Pei Fang, Zhendong Cai, Hui Chen and QingJiang Shi
• Abstract要約: FLFEと呼ばれるフレームワークは、プライバシ保護と通信保護のための多人数機能変換を行う。 このフレームワークは機能のパターンを事前に学習し、ある機能における変換の有用性を直接判断する。
• 参考スコア（独自算出の注目度）: 16.049161581014513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature engineering is the process of using domain knowledge to extract features from raw data via data mining techniques and is a key step to improve the performance of machine learning algorithms. In the multi-party feature engineering scenario (features are stored in many different IoT devices), direct and unlimited multivariate feature transformations will quickly exhaust memory, power, and bandwidth of devices, not to mention the security of information threatened. Given this, we present a framework called FLFE to conduct privacy-preserving and communication-preserving multi-party feature transformations. The framework pre-learns the pattern of the feature to directly judge the usefulness of the transformation on a feature. Explored the new useful feature, the framework forsakes the encryption-based algorithm for the well-designed feature exchange mechanism, which largely decreases the communication overhead under the premise of confidentiality. We made experiments on datasets of both open-sourced and real-world thus validating the comparable effectiveness of FLFE to evaluation-based approaches, along with the far more superior efficacy.
• Abstract（参考訳）: 機能エンジニアリングは、データマイニング技術によって生データから特徴を抽出するためにドメイン知識を使用するプロセスであり、機械学習アルゴリズムのパフォーマンスを改善するための重要なステップである。 マルチパーティの機能エンジニアリング(さまざまなIoTデバイスに格納される機能)のシナリオでは、直接的および無制限な機能変換は、脅威となる情報のセキュリティを言うまでもなく、デバイスのメモリ、電力、帯域を急速に消費する。 これを踏まえ、FLFEと呼ばれるフレームワークを用いて、プライバシ保護および通信保護機能変換を行う。 このフレームワークは機能のパターンを事前に学習し、ある機能における変換の有用性を直接判断する。 このフレームワークは、機密性の前提下での通信オーバーヘッドを大幅に削減する、よく設計された機能交換機構のための暗号化ベースのアルゴリズムを禁止する。 オープンソースと実世界の両方のデータセットについて実験を行い、FLFEと評価ベースのアプローチの同等の有効性を検証した。

関連論文リスト

• Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
  複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。 本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
  論文  参考訳（メタデータ） (2024-10-25T18:11:02Z)
• Deep Common Feature Mining for Efficient Video Semantic Segmentation [29.054945307605816]
  ビデオセマンティックセグメンテーションのためのDeep Common Feature Mining(DCFM)を提案する。 DCFMは、機能を2つの補完的なコンポーネントに明示的に分解する。 本手法は精度と効率のバランスが優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-05T06:17:59Z)
• Enhancing Data Provenance and Model Transparency in Federated Learning Systems -- A Database Approach [1.2180726230978978]
  Federated Learning (FL)は、分散型エッジデバイス間で機械学習モデルをトレーニングするための有望なパラダイムを提供する。 これらの分散環境におけるデータの完全性とトレーサビリティの確保は、依然として重要な課題である。 FLシステムにおけるデータプロファイランスとモデルの透明性を高めるための最初のアプローチの1つを提案する。
  論文  参考訳（メタデータ） (2024-03-03T09:08:41Z)
• REFT: Resource-Efficient Federated Training Framework for Heterogeneous and Resource-Constrained Environments [2.117841684082203]
  分散システムでは、フェデレートラーニング(FL)が重要な役割を果たす。 FLは、機械学習のプライバシ強化サブドメインとして出現する。 我々は「不均一・資源制約環境のための資源効率の良いフェデレーション・トレーニング・フレームワーク」を提案する。
  論文  参考訳（メタデータ） (2023-08-25T20:33:30Z)
• ICAFusion: Iterative Cross-Attention Guided Feature Fusion for Multispectral Object Detection [25.66305300362193]
  大域的特徴相互作用をモデル化するために、二重対向変換器の新たな特徴融合フレームワークを提案する。 このフレームワークは、クエリ誘導のクロスアテンション機構を通じて、オブジェクトの特徴の識別性を高める。 提案手法は,様々なシナリオに適した性能と高速な推論を実現する。
  論文  参考訳（メタデータ） (2023-08-15T00:02:10Z)
• NPVForensics: Jointing Non-critical Phonemes and Visemes for Deepfake Detection [50.33525966541906]
  既存のマルチモーダル検出手法は、Deepfakeビデオを公開するために、音声と視覚の不整合をキャプチャする。 NPVForensics と呼ばれる非臨界音素とビセムの相関関係を抽出する新しいディープフェイク検出法を提案する。 我々のモデルは、微調整で下流のDeepfakeデータセットに容易に適応できる。
  論文  参考訳（メタデータ） (2023-06-12T06:06:05Z)
• Life of PII -- A PII Obfuscation Transformer [0.0]
  「PIIの生活」は、個人識別情報(PII)を偽PIIに変換するための新しい難読化トランスフォーマーフレームワークである。 当社のアプローチは,プライバシ保護とデータユーティリティ間のトレードオフにおいて,よりフレキシブルな柔軟性を提供するとともに,元の情報を保存しながら,実用上の損失を効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2023-05-16T15:48:36Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
  Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。 IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。 IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
  論文  参考訳（メタデータ） (2020-06-23T02:57:29Z)
• Learning to Learn Kernels with Variational Random Features [118.09565227041844]
  メタラーニングフレームワークにランダムなフーリエ機能を持つカーネルを導入し、その強力な数ショット学習能力を活用する。 変分推論問題としてメタVRFの最適化を定式化する。 MetaVRFは、既存のメタ学習方法に比べて、はるかに優れた、少なくとも競争力のあるパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2020-06-11T18:05:29Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)

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。