論文の概要: Interpretable collaborative data analysis on distributed data
- arxiv url: http://arxiv.org/abs/2011.04437v1
- Date: Mon, 9 Nov 2020 13:59:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 01:44:13.982558
- Title: Interpretable collaborative data analysis on distributed data
- Title(参考訳): 分散データにおける解釈可能な協調データ解析
- Authors: Akira Imakura, Hiroaki Inaba, Yukihiko Okada, Tetsuya Sakurai
- Abstract要約: 本稿では,フェデレート学習システムの一つとして,非モデル共有協調データ分析手法を提案する。
それぞれのパーティで個別に構築される中間表現を集中化することにより、提案手法は解釈可能なモデルを得る。
数値実験により, 提案手法は, 個人分析よりも, 実世界の問題に対する認識性能の向上を図っている。
- 参考スコア(独自算出の注目度): 9.434133337939498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes an interpretable non-model sharing collaborative data
analysis method as one of the federated learning systems, which is an emerging
technology to analyze distributed data. Analyzing distributed data is essential
in many applications such as medical, financial, and manufacturing data
analyses due to privacy, and confidentiality concerns. In addition,
interpretability of the obtained model has an important role for practical
applications of the federated learning systems. By centralizing intermediate
representations, which are individually constructed in each party, the proposed
method obtains an interpretable model, achieving a collaborative analysis
without revealing the individual data and learning model distributed over local
parties. Numerical experiments indicate that the proposed method achieves
better recognition performance for artificial and real-world problems than
individual analysis.
- Abstract(参考訳): 本稿では,分散データ分析の新たな技術であるフェデレーション学習システムの一つとして,非モデル共有協調データ分析手法を提案する。
分散データの分析は、プライバシや機密性の懸念による医療、財務、製造などの多くのアプリケーションにおいて不可欠である。
さらに、得られたモデルの解釈可能性は、連合学習システムの実用化に重要な役割を果たす。
それぞれのパーティで個別に構築された中間表現を集中化することにより,各パーティに分散した個々のデータや学習モデルを明らかにすることなく,協調的な分析を行うことができる。
数値実験により, 提案手法は, 個人分析よりも, 実世界の問題に対する認識性能の向上を図っている。
関連論文リスト
- Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳(メタデータ) (2024-09-27T06:31:03Z) - Information Fusion for Assistance Systems in Production Assessment [49.40442046458756]
証拠理論を用いたn個の情報ソースの融合のための枠組みを提供する。
本稿では,機械データに基づくアンサンブル分類器とエキスパート中心モデルという,2つの主要な情報源の情報融合手法を提案する。
本稿では,エビデンス理論を用いたモデル更新手法を提案することにより,データドリフトの問題に対処する。
論文 参考訳(メタデータ) (2023-08-31T22:08:01Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳(メタデータ) (2023-07-12T16:28:21Z) - Distributed sequential federated learning [0.0]
ローカルデータを解析することで,価値ある情報を効率的に効果的に集約するデータ駆動手法を開発した。
我々は、シミュレーションデータの数値的研究と、メキシコの32の病院から収集されたCOVID-19データへの応用を用いている。
論文 参考訳(メタデータ) (2023-01-31T21:20:45Z) - Non-readily identifiable data collaboration analysis for multiple
datasets including personal information [7.315551060433141]
データ機密性と機関間通信は、医療データセットにとって重要である。
本研究では,データ協調分析の識別可能性について検討した。
提案手法は,高い認識性能を維持しつつ,非可読性を示す。
論文 参考訳(メタデータ) (2022-08-31T03:19:17Z) - Another Use of SMOTE for Interpretable Data Collaboration Analysis [8.143750358586072]
データコラボレーション(DC)分析は、複数の機関にわたるプライバシー保護統合分析のために開発された。
本研究では,データ漏洩のリスクを増大させることなく,認識性能を向上させるアンカーデータ構築手法を提案する。
論文 参考訳(メタデータ) (2022-08-26T06:39:13Z) - 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) - A Tree-based Federated Learning Approach for Personalized Treatment
Effect Estimation from Heterogeneous Data Sources [5.049057348282933]
フェデレーション学習は、分散ヘルスデータネットワークから機密データを分析するための魅力的なフレームワークである。
本研究は, 治療効果評価装置を効率よく, 解釈可能なツリーベースアンサンブルを開発した。
論文 参考訳(メタデータ) (2021-03-10T18:51:30Z) - FedH2L: Federated Learning with Model and Statistical Heterogeneity [75.61234545520611]
フェデレートラーニング(FL)は、分散参加者が個々のデータのプライバシを犠牲にすることなく、強力なグローバルモデルを集合的に学習することを可能にする。
我々はFedH2Lを導入し、これはモデルアーキテクチャに非依存であり、参加者間で異なるデータ分散に対して堅牢である。
パラメータや勾配を共有するアプローチとは対照的に、FedH2Lは相互蒸留に依存し、参加者間で共有シードセットの後方のみを分散的に交換する。
論文 参考訳(メタデータ) (2021-01-27T10:10:18Z) - Accuracy and Privacy Evaluations of Collaborative Data Analysis [4.987315310656657]
非モデル共有型フェデレーション学習として,次元性低減データ表現の共有による協調的データ分析が提案されている。
本稿では,本フレームワークの精度とプライバシ評価について分析する。
論文 参考訳(メタデータ) (2021-01-27T00:38:47Z)
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。