論文の概要: Fed-EINI: An Efficient and Interpretable Inference Framework for
Decision Tree Ensembles in Federated Learning
- arxiv url: http://arxiv.org/abs/2105.09540v1
- Date: Thu, 20 May 2021 06:40:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 13:41:30.755456
- Title: Fed-EINI: An Efficient and Interpretable Inference Framework for
Decision Tree Ensembles in Federated Learning
- Title（参考訳）: fed-eini:フェデレーション学習における決定木アンサンブルの効率的かつ解釈可能な推論フレームワーク
- Authors: Xiaolin Chen, Shuai Zhou, Kai Yang, Hao Fan, Zejin Feng, Zhong Chen,
Hu Wang, Yongji Wang
- Abstract要約: Fed-EINIは、フェデレーションツリーモデルのための効率的かつ解釈可能な推論フレームワークである。
本稿では,効率的な加算同型暗号法により決定経路を保護することを提案する。
実験によると、推論効率は平均で50%以上改善されている。
- 参考スコア（独自算出の注目度）: 11.843365055516566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The increasing concerns about data privacy and security drives the emergence
of a new field of studying privacy-preserving machine learning from isolated
data sources, i.e., \textit{federated learning}. Vertical federated learning,
where different parties hold different features for common users, has a great
potential of driving a more variety of business cooperation among enterprises
in different fields. Decision tree models especially decision tree ensembles
are a class of widely applied powerful machine learning models with high
interpretability and modeling efficiency. However, the interpretability are
compromised in these works such as SecureBoost since the feature names are not
exposed to avoid possible data breaches due to the unprotected decision path.
In this paper, we shall propose Fed-EINI, an efficient and interpretable
inference framework for federated decision tree models with only one round of
multi-party communication. We shall compute the candidate sets of leaf nodes
based on the local data at each party in parallel, followed by securely
computing the weight of the only leaf node in the intersection of the candidate
sets. We propose to protect the decision path by the efficient additively
homomorphic encryption method, which allows the disclosure of feature names and
thus makes the federated decision trees interpretable. The advantages of
Fed-EINI will be demonstrated through theoretical analysis and extensive
numerical results. Experiments show that the inference efficiency is improved
by over $50\%$ in average.
- Abstract（参考訳）: データプライバシとセキュリティに対する懸念が高まり、独立したデータソース、すなわち \textit{federated learning}からプライバシを保存する機械学習を研究する新たな分野が出現する。
異なる組織が共通のユーザーのために異なる機能を持つ垂直的連合学習は、異なる分野の企業間でより多様なビジネス協力を促進する大きな可能性を持っている。
決定木モデル、特に決定木アンサンブルは、高い解釈可能性とモデリング効率を備えた、広く応用された強力な機械学習モデルのクラスである。
しかしながら、SecureBoostのようなこれらの作業では、保護されていない決定パスによって可能なデータ漏洩を避けるために、機能名が公開されないため、解釈性が損なわれる。
本稿では,1ラウンドのマルチパーティ通信のみのフェデレーション決定木モデルのための効率的かつ解釈可能な推論フレームワークであるfeed-einiを提案する。
各当事者のローカルデータに基づいて葉ノードの候補集合を並列に計算し、次に候補ノードの交点における唯一の葉ノードの重みをセキュアに計算する。
提案手法は,特徴名の開示を可能とし,フェデレートされた決定木を解釈可能とした,効率的な付加的同型暗号法により決定経路を保護する。
Fed-EINIの利点は、理論解析と広範な数値結果によって示される。
実験によれば、推論効率は平均で50〜%以上向上している。
関連論文リスト
- What If the Input is Expanded in OOD Detection? [77.37433624869857]
Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。
In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。
入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
論文 参考訳（メタデータ） (2024-10-24T06:47:28Z) - Application of the representative measure approach to assess the reliability of decision trees in dealing with unseen vehicle collision data [0.6571063542099526]
代表的データセットは、人工知能(AI)開発の軌跡を形成するための基盤となる。
本稿では,決定木の理論的観点からデータセット類似性を評価するために,$varepsilon$-representativeness法の信頼性について検討する。
我々は,XGboostの車両衝突データを用いて,実験結果を拡張した。
論文 参考訳（メタデータ） (2024-04-15T08:06:54Z) - An Interpretable Client Decision Tree Aggregation process for Federated Learning [7.8973037023478785]
本稿では,フェデレート学習シナリオを対象とした解釈可能なクライアント決定木集約プロセスを提案する。
このモデルは、決定ツリーの複数の決定パスの集約に基づいており、ID3やCARTなど、さまざまな決定ツリータイプで使用することができる。
4つのデータセットで実験を行い、分析により、モデルで構築された木が局所モデルを改善し、最先端のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-04-03T06:53:56Z) - Effective and Efficient Federated Tree Learning on Hybrid Data [80.31870543351918]
本稿では,ハイブリッドデータ上でのフェデレーションツリー学習を可能にする,新しいフェデレーション学習手法であるHybridTreeを提案する。
木に一貫した分割ルールが存在することを観察し、木の下層にパーティの知識を組み込むことができることを示す。
実験により,HybridTreeは計算および通信のオーバーヘッドが低い集中的な設定に匹敵する精度を達成できることを示した。
論文 参考訳（メタデータ） (2023-10-18T10:28:29Z) - Differentially-Private Decision Trees and Provable Robustness to Data
Poisoning [8.649768969060647]
決定木は非線形学習問題に適した解釈可能なモデルである。
この目的のための現在の最先端のアルゴリズムは、小さなプライバシー上の利益のために多くのユーティリティを犠牲にしている。
プライバトレーは個人のヒストグラムに基づいて、小さなプライバシー予算を消費しながら、良好な分割を選択する。
論文 参考訳（メタデータ） (2023-05-24T17:56:18Z) - Verifiable Learning for Robust Tree Ensembles [8.207928136395184]
大規模分散アンサンブルと呼ばれる決定ツリーアンサンブルのクラスは、制限された時間で実行されるセキュリティ検証アルゴリズムを認めている。
我々は、ラベル付きデータから大規模決定木を自動学習する新しいトレーニングアルゴリズムを設計することで、このアイデアの利点を示す。
公開データセットの実験結果から,我々のアルゴリズムを用いてトレーニングした大域的なアンサンブルを数秒で検証できることを確認した。
論文 参考訳（メタデータ） (2023-05-05T15:37:23Z) - Optimal Decision Diagrams for Classification [68.72078059880018]
数学的プログラミングの観点から最適決定図の学習について検討する。
本稿では,新しい混合整数線形プログラミングモデルを提案する。
このモデルは、公正性、同義性、安定性の概念に対してどのように容易に拡張できるかを示す。
論文 参考訳（メタデータ） (2022-05-28T18:31:23Z) - Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。
GMのための強化学習ソルバを提案する。
rgmはペアワイズグラフ間のノード対応を求める。
本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文 参考訳（メタデータ） (2020-12-16T13:48:48Z) - Privacy Preserving Vertical Federated Learning for Tree-based Models [30.808567035503994]
フェデレーション学習は、複数の組織が互いにプライベートデータを公開することなく、共同でモデルをトレーニングすることを可能にする。
本稿では,垂直決定木学習と予測のためのプライバシー保護のための新しいソリューションであるPivotを提案する。
論文 参考訳（メタデータ） (2020-08-14T02:32:36Z) - WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。
本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文 参考訳（メタデータ） (2020-08-13T04:26:31Z) - User-Level Privacy-Preserving Federated Learning: Analysis and
Performance Optimization [77.43075255745389]
フェデレートラーニング(FL)は、データを有用なモデルにトレーニングしながら、モバイル端末(MT)からプライベートデータを保存することができる。
情報理論の観点からは、MTがアップロードした共有モデルから、好奇心の強いサーバがプライベートな情報を推測することが可能である。
サーバにアップロードする前に、共有モデルに人工ノイズを加えることで、ユーザレベルの差分プライバシー(UDP)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-29T10:13:39Z)
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。