論文の概要: Privacy-preserving Federated Adversarial Domain Adaption over Feature Groups for Interpretability

• arxiv url: http://arxiv.org/abs/2111.10934v1
• Date: Mon, 22 Nov 2021 01:13:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-24 04:07:43.041623
• Title: Privacy-preserving Federated Adversarial Domain Adaption over Feature Groups for Interpretability
• Title（参考訳）: 解釈可能性のための特徴群に対する相関ドメイン適応のプライバシー保護
• Authors: Yan Kang, Yang Liu, Yuezhou Wu, Guoqiang Ma, Qiang Yang
• Abstract要約: PrADAはプライバシー保護の敵ドメイン適応アプローチである。 ドメインの専門知識を活用して、機能領域を、それぞれが関連する機能を持つ複数のグループに分割します。 各特徴群から意味論的に意味のある高次特徴を学習する。
• 参考スコア（独自算出の注目度）: 12.107058397549771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel privacy-preserving federated adversarial domain adaptation approach ($\textbf{PrADA}$) to address an under-studied but practical cross-silo federated domain adaptation problem, in which the party of the target domain is insufficient in both samples and features. We address the lack-of-feature issue by extending the feature space through vertical federated learning with a feature-rich party and tackle the sample-scarce issue by performing adversarial domain adaptation from the sample-rich source party to the target party. In this work, we focus on financial applications where interpretability is critical. However, existing adversarial domain adaptation methods typically apply a single feature extractor to learn feature representations that are low-interpretable with respect to the target task. To improve interpretability, we exploit domain expertise to split the feature space into multiple groups that each holds relevant features, and we learn a semantically meaningful high-order feature from each feature group. In addition, we apply a feature extractor (along with a domain discriminator) for each feature group to enable a fine-grained domain adaptation. We design a secure protocol that enables performing the PrADA in a secure and efficient manner. We evaluate our approach on two tabular datasets. Experiments demonstrate both the effectiveness and practicality of our approach.
• Abstract（参考訳）: 対象ドメインの当事者がサンプルと機能の両方において不十分である未熟だが実用的なクロスサイロフェデレーションドメイン適応問題に対処するために,新たなプライバシー保護型フェデラルドメイン適応アプローチ(\textbf{prada}$)を提案する。 我々は,機能不足の問題に対処するために,機能豊富な当事者による垂直的フェデレーション学習を通じて機能空間を拡張し,サンプルリッチソースパーティーからターゲットパーティーへの対向ドメイン適応を行うことにより,サンプルスカース問題に対処する。 本研究では,解釈可能性が重要となる金融アプリケーションに焦点を当てる。 しかし、既存の逆数領域適応法は、通常、対象タスクに対して低い解釈が可能な特徴表現を学習するために単一の特徴抽出器を適用する。 解釈性を改善するために、ドメインの専門知識を活用して、それぞれが関連する機能を持つ複数のグループに特徴空間を分割し、各機能グループから意味的に有意義な高次機能を学びます。 さらに,各特徴群に対して特徴抽出器(ドメイン識別器とともに)を適用し,きめ細かいドメイン適応を可能にする。 PrADAをセキュアかつ効率的に実行するためのセキュアなプロトコルを設計する。 我々は2つの表付きデータセットに対するアプローチを評価する。 実験は、我々のアプローチの有効性と実用性を実証する。

関連論文リスト

• AIR-DA: Adversarial Image Reconstruction for Unsupervised Domain Adaptive Object Detection [28.22783703278792]
  特徴抽出器の対角訓練を容易にするための正則化器としての適応画像再構成(AIR) ドメインシフトに挑戦するいくつかのデータセットにまたがって評価を行った結果,提案手法が従来の手法よりも優れていたことが判明した。
  論文  参考訳（メタデータ） (2023-03-27T16:51:51Z)
• 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)
• Joint Distribution Alignment via Adversarial Learning for Domain Adaptive Object Detection [11.262560426527818]
  教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。 近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。 上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
  論文  参考訳（メタデータ） (2021-09-19T00:27:08Z)
• ToAlign: Task-oriented Alignment for Unsupervised Domain Adaptation [84.90801699807426]
  ドメイン間でアライメントすべき機能について検討し、ドメインアライメントが積極的に分類に役立てることを提案する。 我々は、ソースドメインの機能を、整列すべきタスク関連/識別機能と、回避/無視されるべきタスク関連機能に明示的に分解します。
  論文  参考訳（メタデータ） (2021-06-21T02:17:48Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Interventional Domain Adaptation [81.0692660794765]
  ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。 標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。 ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
  論文  参考訳（メタデータ） (2020-11-07T09:53:13Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。