論文の概要: A Framework for Verifiable and Auditable Federated Anomaly Detection
- arxiv url: http://arxiv.org/abs/2203.07802v1
- Date: Tue, 15 Mar 2022 11:34:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 16:19:04.906046
- Title: A Framework for Verifiable and Auditable Federated Anomaly Detection
- Title（参考訳）: 検証および監査可能なフェデレーション異常検出のためのフレームワーク
- Authors: Gabriele Santin and Inna Skarbovsky and Fabiana Fournier and Bruno
Lepri
- Abstract要約: フェデレート・リーン(Federated Leaning)は、機械学習タスクのソリューションのためのエージェントのグループ間の協力を管理する新しいアプローチである。
本稿では,異常検出の特定の場合において,この問題に対処する新しいアルゴリズムアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 3.639790324866155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Leaning is an emerging approach to manage cooperation between a
group of agents for the solution of Machine Learning tasks, with the goal of
improving each agent's performance without disclosing any data. In this paper
we present a novel algorithmic architecture that tackle this problem in the
particular case of Anomaly Detection (or classification or rare events), a
setting where typical applications often comprise data with sensible
information, but where the scarcity of anomalous examples encourages
collaboration. We show how Random Forests can be used as a tool for the
development of accurate classifiers with an effective insight-sharing mechanism
that does not break the data integrity. Moreover, we explain how the new
architecture can be readily integrated in a blockchain infrastructure to ensure
the verifiable and auditable execution of the algorithm. Furthermore, we
discuss how this work may set the basis for a more general approach for the
design of federated ensemble-learning methods beyond the specific task and
architecture discussed in this paper.
- Abstract（参考訳）: フェデレーション・ライニング(federated lean)は、機械学習タスクのソリューションのためのエージェントのグループ間の協調を管理するための、新たなアプローチである。
本稿では,異常検出(あるいは分類やレアイベント)の特定のケースでこの問題に取り組む新しいアルゴリズムアーキテクチャを提案する。典型的なアプリケーションでは,センシティブルな情報を含むデータを構成することが多いが,異常な例の不足がコラボレーションを促進する。
本稿では,データ完全性を損なわない効果的な洞察共有機構を備えた正確な分類器の開発のためのツールとして,ランダムフォレストをどのように利用できるかを示す。
さらに,新たなアーキテクチャをブロックチェーンインフラストラクチャに容易に統合して,検証可能かつ監査可能なアルゴリズムの実行を保証する方法について説明する。
さらに,本研究が,本論文で論じる特定のタスクやアーキテクチャを超えた,より一般的なアンサンブル学習手法の設計の基盤となる可能性についても論じる。
関連論文リスト
- An Empirical Evaluation of Federated Contextual Bandit Algorithms [27.275089644378376]
フェデレートされた学習は、ユーザが関心のあるアプリケーションと対話するときに生成される暗黙の信号を使って行うことができる。
我々は,フェデレートされた設定のための集中的な設定から,顕著な文脈的帯域幅アルゴリズムの変種を開発する。
本実験は, 探索・探索のトレードオフのバランスをとる上で, シンプルで一般的なソフトマックスの驚くべき有効性を明らかにした。
論文 参考訳（メタデータ） (2023-03-17T19:22:30Z) - Hierarchically Structured Task-Agnostic Continual Learning [0.0]
本研究では,連続学習のタスク非依存的な視点を取り入れ,階層的情報理論の最適性原理を考案する。
我々は,情報処理経路の集合を作成することで,忘れを緩和する,Mixture-of-Variational-Experts層と呼ばれるニューラルネットワーク層を提案する。
既存の連続学習アルゴリズムのようにタスク固有の知識を必要としない。
論文 参考訳（メタデータ） (2022-11-14T19:53:15Z) - RACA: Relation-Aware Credit Assignment for Ad-Hoc Cooperation in
Multi-Agent Deep Reinforcement Learning [55.55009081609396]
本稿では、アドホックな協調シナリオにおいてゼロショットの一般化を実現するRACA(Relation-Aware Credit Assignment)と呼ばれる新しい手法を提案する。
RACAは、エージェント間のトポロジ構造を符号化するために、グラフベースのエンコーダ関係を利用する。
提案手法は,StarCraftIIマイクロマネジメントベンチマークとアドホック協調シナリオのベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2022-06-02T03:39:27Z) - 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) - Unsupervised collaborative learning using privileged information [0.0]
本稿では,Privileged Informationパラダイムを用いた学習に基づく協調クラスタリングについて述べる。
アルゴリズムと最先端の実装との比較により,提案手法を用いたコラボレーションプロセスの改善が示された。
論文 参考訳（メタデータ） (2021-03-24T12:43:49Z) - Neural Architecture Search From Task Similarity Measure [28.5184196829547]
フィッシャー情報の観点から定義された様々なタスク間の類似度測定に基づくニューラルネットワークアーキテクチャ検索フレームワークを提案する。
目標と既存のタスクの集合との関係を利用することで、アーキテクチャの探索空間を大幅に削減することができる。
論文 参考訳（メタデータ） (2021-02-27T15:26:14Z) - A black-box adversarial attack for poisoning clustering [78.19784577498031]
本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。
我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
論文 参考訳（メタデータ） (2020-09-09T18:19:31Z) - Heterogeneous Federated Learning [41.04946606973614]
フェデレーション学習は、ローカルノードから協調モデルを融合させることで、散在するデータから学習する。
カオス的な情報分布のため、モデル融合は未整合パラメータに関する構造的不整合に悩まされる可能性がある。
本稿では,協調モデル間の強固な構造情報アライメントを確立するための,新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-15T19:06:59Z) - Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。
提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文 参考訳（メタデータ） (2020-07-03T15:19:17Z) - Sequential Transfer in Reinforcement Learning with a Generative Model [48.40219742217783]
本稿では,従来の課題から知識を移譲することで,新たな課題を学習する際のサンプルの複雑さを軽減する方法について述べる。
この種の事前知識を使用することのメリットを明確に示すために,PAC境界のサンプル複雑性を導出する。
簡単なシミュレートされた領域における理論的な発見を実証的に検証する。
論文 参考訳（メタデータ） (2020-07-01T19:53:35Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。