論文の概要: A Fair and Efficient Hybrid Federated Learning Framework based on
XGBoost for Distributed Power Prediction
- arxiv url: http://arxiv.org/abs/2201.02783v1
- Date: Sat, 8 Jan 2022 07:25:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 15:41:57.973053
- Title: A Fair and Efficient Hybrid Federated Learning Framework based on
XGBoost for Distributed Power Prediction
- Title（参考訳）: 分散電力予測のためのxgboostに基づく公平かつ効率的なハイブリッドフェデレーション学習フレームワーク
- Authors: Haizhou Liu, Xuan Zhang, Xinwei Shen, Hongbin Sun
- Abstract要約: 本稿では,XGBoostをベースとしたハイブリッド・フェデレーション学習フレームワークを提案する。
精度と解釈性を向上させるため, 強化木の導入に加えて, 水平および垂直の連合学習を併用する。
また, 妥当性, 効率, 精度の両面において, 提案手法の利点が確認された。
- 参考スコア（独自算出の注目度）: 11.2804988081885
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In a modern power system, real-time data on power generation/consumption and
its relevant features are stored in various distributed parties, including
household meters, transformer stations and external organizations. To fully
exploit the underlying patterns of these distributed data for accurate power
prediction, federated learning is needed as a collaborative but
privacy-preserving training scheme. However, current federated learning
frameworks are polarized towards addressing either the horizontal or vertical
separation of data, and tend to overlook the case where both are present.
Furthermore, in mainstream horizontal federated learning frameworks, only
artificial neural networks are employed to learn the data patterns, which are
considered less accurate and interpretable compared to tree-based models on
tabular datasets. To this end, we propose a hybrid federated learning framework
based on XGBoost, for distributed power prediction from real-time external
features. In addition to introducing boosted trees to improve accuracy and
interpretability, we combine horizontal and vertical federated learning, to
address the scenario where features are scattered in local heterogeneous
parties and samples are scattered in various local districts. Moreover, we
design a dynamic task allocation scheme such that each party gets a fair share
of information, and the computing power of each party can be fully leveraged to
boost training efficiency. A follow-up case study is presented to justify the
necessity of adopting the proposed framework. The advantages of the proposed
framework in fairness, efficiency and accuracy performance are also confirmed.
- Abstract（参考訳）: 現代の電力システムでは、家庭用メーター、変圧器局、外部組織など、発電・消費に関するリアルタイムデータとその関連する特徴を様々な分散パーティに格納する。
これらの分散データの基盤となるパターンを正確な電力予測に活用するためには、協調的ではあるがプライバシ保護のトレーニングスキームとしてフェデレーション学習が必要である。
しかしながら、現在の連合学習フレームワークは、データの水平または垂直の分離に対処するために偏極化されており、両方が存在する場合を見落としてしまう傾向にある。
さらに、主流の水平的フェデレーション学習フレームワークでは、グラフデータセット上のツリーベースモデルに比べて正確で解釈可能なデータパターンを学ぶために、人工ニューラルネットワークのみが使用される。
そこで本稿では,XGBoostをベースとしたハイブリッド・フェデレーション学習フレームワークを提案する。
精度と解釈性を向上させるためにブーストツリーを導入することに加えて、水平および垂直の連合学習を組み合わせることで、局所的な異種パーティに特徴が散在し、各地方にサンプルが散在するシナリオに対処する。
さらに,各パーティが十分な情報の共有を得られるような動的タスク割り当て方式を設計し,各パーティの計算能力を完全に活用してトレーニング効率を向上させる。
提案フレームワークを採用する必要性を正当化するために,フォローアップケーススタディを提示する。
また, 公平性, 効率性, 正確性におけるフレームワークの利点を確認した。
関連論文リスト
- Multi-level Personalized Federated Learning on Heterogeneous and Long-Tailed Data [10.64629029156029]
マルチレベル・パーソナライズド・フェデレーション・ラーニング(MuPFL)という革新的パーソナライズド・パーソナライズド・ラーニング・フレームワークを導入する。
MuPFLは3つの重要なモジュールを統合している: Biased Activation Value Dropout (BAVD), Adaptive Cluster-based Model Update (ACMU), Prior Knowledge-assisted Fine-tuning (PKCF)。
様々な実世界のデータセットの実験では、MuPFLは極端に非i.d.と長い尾の条件下であっても、最先端のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2024-05-10T11:52:53Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳（メタデータ） (2023-09-04T21:10:45Z) - 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) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-04T09:26:03Z) - Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。
このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。
本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
論文 参考訳（メタデータ） (2023-02-24T08:41:19Z) - Fair and efficient contribution valuation for vertical federated
learning [49.50442779626123]
フェデレートラーニング(Federated Learning)は、データを共有することなく、分散データソース上で機械学習モデルをトレーニングするための一般的な技術である。
シェープリー値(Shapley value, SV)は、協調ゲーム理論から派生した、証明可能なフェアコントリビューション評価指標である。
本稿では,SVに基づく垂直結合シェープ値(VerFedSV)と呼ばれるコントリビューション評価指標を提案する。
論文 参考訳（メタデータ） (2022-01-07T19:57:15Z) - Communication-Efficient Hierarchical Federated Learning for IoT
Heterogeneous Systems with Imbalanced Data [42.26599494940002]
フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。
本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。
複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
論文 参考訳（メタデータ） (2021-07-14T08:32:39Z) - Towards Heterogeneous Clients with Elastic Federated Learning [45.2715985913761]
フェデレーション学習では、エッジプロセッサやデータウェアハウスなどのデバイスやデータサイロ上で、データをローカルに保ちながら、マシンラーニングモデルをトレーニングする。
本稿では,不均一性に対処する非バイアスアルゴリズムであるElastic Federated Learning (EFL)を提案する。
上流と下流の両方の通信を圧縮する効率的かつ効率的なアルゴリズムである。
論文 参考訳（メタデータ） (2021-06-17T12:30:40Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - Robustness and Personalization in Federated Learning: A Unified Approach
via Regularization [4.7234844467506605]
我々は、Fed+と呼ばれる堅牢でパーソナライズされたフェデレーション学習のための一連の方法を提案する。
Fed+の主な利点は、フェデレートトレーニングで見られる現実世界の特徴をよりよく適応することである。
ベンチマークデータセットに関する広範な実験を通じて、Fed+の利点を実証する。
論文 参考訳（メタデータ） (2020-09-14T10:04:30Z)
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。