論文の概要: Federated Data Analytics: A Study on Linear Models
- arxiv url: http://arxiv.org/abs/2206.07786v1
- Date: Wed, 15 Jun 2022 19:50:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-17 16:26:42.144526
- Title: Federated Data Analytics: A Study on Linear Models
- Title(参考訳): Federated Data Analytics: 線形モデルに関する研究
- Authors: Xubo Yue, Raed Al Kontar, Ana Mar\'ia Estrada G\'omez
- Abstract要約: 我々は、最も基本的な統計モデルである線形回帰の1つに対するFDA治療を開発する。
我々の治療は階層的モデリングに基づいており、複数のグループにまたがって強度を借りることができる。
本手法は,航空機用エンジンのコンディション監視を含む,さまざまな実環境応用に対して検証する。
- 参考スコア(独自算出の注目度): 2.8360662552057323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As edge devices become increasingly powerful, data analytics are gradually
moving from a centralized to a decentralized regime where edge compute
resources are exploited to process more of the data locally. This regime of
analytics is coined as federated data analytics (FDA). In spite of the recent
success stories of FDA, most literature focuses exclusively on deep neural
networks. In this work, we take a step back to develop an FDA treatment for one
of the most fundamental statistical models: linear regression. Our treatment is
built upon hierarchical modeling that allows borrowing strength across multiple
groups. To this end, we propose two federated hierarchical model structures
that provide a shared representation across devices to facilitate information
sharing. Notably, our proposed frameworks are capable of providing uncertainty
quantification, variable selection, hypothesis testing and fast adaptation to
new unseen data. We validate our methods on a range of real-life applications
including condition monitoring for aircraft engines. The results show that our
FDA treatment for linear models can serve as a competing benchmark model for
future development of federated algorithms.
- Abstract(参考訳): エッジデバイスがますます強力になるにつれて、データ分析は徐々に中央集権的な状態から、エッジコンピューティングリソースを利用したローカルなデータ処理へと移行している。
この分析の仕組みはfda(federated data analytics)と呼ばれる。
最近のfdaの成功例にもかかわらず、多くの文献はディープニューラルネットワークに特化している。
本研究では,fdaの最も基本的な統計モデルである線形回帰モデルに対して,fdaの治療法を開発するための一歩を振り返る。
我々の治療は階層的モデリングに基づいており、複数のグループにまたがる力を借りることができる。
そこで本稿では,情報共有を容易にするために,デバイス間で共有表現を提供する2つの階層型モデル構造を提案する。
提案するフレームワークは,不確実な定量化,変数選択,仮説テスト,新しい未知のデータへの高速適応を提供する。
本手法は,航空機用エンジンのコンディション監視を含む,様々な実運用に適用可能である。
その結果,線形モデルに対するFDAの処置は,今後のフェデレートアルゴリズム開発のための競合するベンチマークモデルとして機能することが示された。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳(メタデータ) (2024-11-24T04:56:45Z) - A Two-Stage Federated Learning Approach for Industrial Prognostics Using Large-Scale High-Dimensional Signals [1.2277343096128712]
産業統計学は、アセットからの高次元劣化信号を利用して、その故障時間を予測するデータ駆動手法を開発することを目的としている。
実際には、個々の組織は信頼できる予測モデルを独立して訓練するのに十分なデータを持っていないことが多い。
本稿では,複数の組織が共同で予後モデルを訓練できる統計的学習に基づくフェデレーションモデルを提案する。
論文 参考訳(メタデータ) (2024-10-14T21:26:22Z) - QBI: Quantile-Based Bias Initialization for Efficient Private Data Reconstruction in Federated Learning [0.5497663232622965]
フェデレーション学習は、ユーザのプライバシを損なうことなく、分散データ上で機械学習モデルのトレーニングを可能にする。
近年の研究では、中央のエンティティが共有モデル更新からプライベートデータを完全に再構築できることが示されている。
論文 参考訳(メタデータ) (2024-06-26T20:19:32Z) - Exploring Federated Deep Learning for Standardising Naming Conventions
in Radiotherapy Data [0.18749305679160366]
放射線治療(RT)データにおける構造容積名の標準化は、データマイニングと分析を可能にするために必要である。
RT患者記録が複数のデータセンターに分散していると考える研究はない。
本稿では,現実の環境をエミュレートして標準化された命名法を提案する。
RTデータをフェデレーション設定で標準化するために,マルチモーダル深層ニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2024-02-14T07:52:28Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた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) (2023-12-22T02:12:08Z) - 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) - Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
基礎モデルを用いた最先端UniDA手法の実証的研究を行った。
CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。
単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
論文 参考訳(メタデータ) (2023-05-18T16:28:29Z) - Domain Adaptation Principal Component Analysis: base linear method for
learning with out-of-distribution data [55.41644538483948]
ドメイン適応は現代の機械学習において一般的なパラダイムである。
ドメイン適応主成分分析(DAPCA)という手法を提案する。
DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
論文 参考訳(メタデータ) (2022-08-28T21:10:56Z) - 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)
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。