Fugu-MT 論文翻訳(概要): An Efficient Hashing-based Ensemble Method for Collaborative Outlier Detection

論文の概要: An Efficient Hashing-based Ensemble Method for Collaborative Outlier Detection

arxiv url: http://arxiv.org/abs/2201.06806v1
Date: Tue, 18 Jan 2022 08:17:37 GMT
ステータス: 処理完了
システム内更新日: 2022-01-19 17:13:34.207947
Title: An Efficient Hashing-based Ensemble Method for Collaborative Outlier Detection
Title（参考訳）: 協調的外乱検出のための効率的なハッシュベースアンサンブル法
Authors: Kitty Li and Ninh Pham
Abstract要約: 協調的外れ検知では、複数の参加者が、独自のデータを交換することなく、分散デバイスで訓練されたローカル検出器を交換する。本研究では、局所性に敏感なハッシュに基づくアンサンブル法を用いて、協調的外乱を検知する手法について検討する。提案するLSH iTablesは,多くの実世界のデータセット上の集中型および分散型シナリオにおいて,近年のアンサンブル競合より優れています。
参考スコア（独自算出の注目度）: 11.04121146441257
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In collaborative outlier detection, multiple participants exchange their local detectors trained on decentralized devices without exchanging their own data. A key problem of collaborative outlier detection is efficiently aggregating multiple local detectors to form a global detector without breaching the privacy of participants' data and degrading the detection accuracy. We study locality-sensitive hashing-based ensemble methods to detect collaborative outliers since they are mergeable and compatible with differentially private mechanisms. Our proposed LSH iTables is simple and outperforms recent ensemble competitors on centralized and decentralized scenarios over many real-world data sets.
Abstract（参考訳）: 協調的異常検出では、複数の参加者が自身のデータを交換することなく、分散デバイスでトレーニングされたローカル検出器を交換する。協調的異常検出の重要な問題は、複数の局所検出器を効率的に集約して、参加者のデータのプライバシーを破らずにグローバル検出器を形成することであり、検出精度を低下させることである。本研究では、局所性に敏感なハッシュに基づくアンサンブル法を用いて、協調的外乱を検知する。提案するLSH iTablesは,多くの実世界のデータセット上の集中型および分散型シナリオにおいて,近年のアンサンブル競合より優れています。

関連論文リスト

BoBa: Boosting Backdoor Detection through Data Distribution Inference in Federated Learning [26.714674251814586]
フェデレーテッド・ラーニングは、その分散した性質のため、毒殺の被害を受けやすい。本稿では,この問題を解決するために,分布認識型異常検出機構であるBoBaを提案する。
論文参考訳（メタデータ） (2024-07-12T19:38:42Z)
Self-Localized Collaborative Perception [49.86110931859302]
我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。 $mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。 $mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
論文参考訳（メタデータ） (2024-06-18T15:26:54Z)
Generalizing Differentially Private Decentralized Deep Learning with Multi-Agent Consensus [11.414398732656839]
本稿では,分散ディープラーニングに差分プライバシーを組み込んだフレームワークを提案する。本稿では,このフレームワークから派生したアルゴリズムの収束保証を証明し,その実用性を示す。
論文参考訳（メタデータ） (2023-06-24T07:46:00Z)
Personalized Decentralized Federated Learning with Knowledge Distillation [5.469841541565307]
フェデレート学習機能のパーソナライゼーションは、データや振る舞いのばらつきが高いクライアントのコーディネータとして機能する。一般に、分散ネットワークにおいて、他のユーザーのモデルについて限られた知識の下で類似性を定量化することは困難である。本研究では,局所モデル間の統計的距離を識別するために,知識蒸留技術を活用したパーソナライズされた完全分散FLアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-23T16:41:07Z)
Anomaly Detection through Unsupervised Federated Learning [0.0]
フェデレートラーニングは、分散リソースを活用する上で最も有望なパラダイムの1つであることが証明されています。本稿では,前処理フェーズを通じて,クライアントをコミュニティにグループ化する手法を提案する。結果の異常検出モデルは共有され、同じコミュニティのクライアント内の異常を検出するために使用される。
論文参考訳（メタデータ） (2022-09-09T08:45:47Z)
Efficient Fully Distributed Federated Learning with Adaptive Local Links [1.8416014644193066]
中央サーバを必要としない完全分散拡散型学習アルゴリズムを提案する。 MNISTデータセットに分類タスクを適用することにより,提案アルゴリズムの有効性を示す。
論文参考訳（メタデータ） (2022-03-23T09:03:54Z)
RelaySum for Decentralized Deep Learning on Heterogeneous Data [71.36228931225362]
分散機械学習では、労働者はローカルデータのモデル更新を計算する。労働者は中心的な調整なしに隣人とのみ通信するため、これらの更新はネットワーク上で徐々に伝播する。このパラダイムは、全接続のないネットワーク上での分散トレーニングを可能にし、データのプライバシ保護と、データセンタでの分散トレーニングの通信コストの削減を支援する。
論文参考訳（メタデータ） (2021-10-08T14:55:32Z)
Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
論文参考訳（メタデータ） (2021-09-29T02:56:45Z)
Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文参考訳（メタデータ） (2021-02-09T11:27:14Z)
Decentralised Learning from Independent Multi-Domain Labels for Person Re-Identification [69.29602103582782]
ディープラーニングは多くのコンピュータビジョンタスクで成功している。しかし、プライバシー問題に対する意識の高まりは、特に人物の再識別(Re-ID)において、ディープラーニングに新たな課題をもたらす。我々は,複数のプライバシ保護されたローカルモデル(ローカルクライアント)を同時に学習することにより,汎用的なグローバルモデル(中央サーバ)を構築するための,フェデレート・パーソナライゼーション(FedReID)と呼ばれる新しいパラダイムを提案する。このクライアントサーバ共同学習プロセスは、プライバシコントロールの下で反復的に実行されるため、分散データを共有したり、収集したりすることなく、分散学習を実現することができる。
論文参考訳（メタデータ） (2020-06-07T13:32:33Z)
Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文参考訳（メタデータ） (2020-05-03T09:14:31Z)

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。