論文の概要: Towards Interpretable Federated Learning

• arxiv url: http://arxiv.org/abs/2302.13473v1
• Date: Mon, 27 Feb 2023 02:06:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 16:59:20.773128
• Title: Towards Interpretable Federated Learning
• Title（参考訳）: 解釈可能なフェデレーション学習を目指して
• Authors: Anran Li, Rui Liu, Ming Hu, Luu Anh Tuan, Han Yu
• Abstract要約: フェデレートラーニング(FL)は、複数のデータ所有者が、プライベートなローカルデータを公開せずに、協調して機械学習モデルを構築することを可能にする。 特に金融や医療といったミッションクリティカルなアプリケーションにおいて、パフォーマンス、プライバシ保護、解釈可能性の必要性のバランスをとることが重要です。 我々は、代表的IFL手法、一般的に採用されている性能評価指標、多目的IFL技術構築に向けた有望な方向性を包括的に分析する。
• 参考スコア（独自算出の注目度）: 19.764172768506132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) enables multiple data owners to build machine learning models collaboratively without exposing their private local data. In order for FL to achieve widespread adoption, it is important to balance the need for performance, privacy-preservation and interpretability, especially in mission critical applications such as finance and healthcare. Thus, interpretable federated learning (IFL) has become an emerging topic of research attracting significant interest from the academia and the industry alike. Its interdisciplinary nature can be challenging for new researchers to pick up. In this paper, we bridge this gap by providing (to the best of our knowledge) the first survey on IFL. We propose a unique IFL taxonomy which covers relevant works enabling FL models to explain the prediction results, support model debugging, and provide insights into the contributions made by individual data owners or data samples, which in turn, is crucial for allocating rewards fairly to motivate active and reliable participation in FL. We conduct comprehensive analysis of the representative IFL approaches, the commonly adopted performance evaluation metrics, and promising directions towards building versatile IFL techniques.
• Abstract（参考訳）: フェデレーション学習(fl)は、複数のデータ所有者がプライベートなローカルデータを公開することなく、協調的に機械学習モデルを構築することを可能にする。 FLが広く普及するためには、特に金融や医療といったミッションクリティカルなアプリケーションにおいて、パフォーマンス、プライバシー保護、解釈可能性の必要性のバランスをとることが重要である。 このように、解釈可能な連邦学習(IFL)は、学界や業界からも大きな関心を集めている研究の新たな話題となっている。 その学際的な性質は、新たな研究者にとって困難である。 本稿では、IFLに関する最初の調査を(私たちの知る限り)提供することにより、このギャップを埋める。 FLモデルの予測結果の説明やモデルデバッグのサポート,個々のデータ所有者やデータサンプルによるコントリビューションに対する洞察の提供など,FLのアクティブかつ信頼性の高い参加を動機付ける上で,適切な報酬の配分に不可欠である,ユニークなIFL分類法を提案する。 我々は、代表的IFL手法、一般的に採用されている性能評価指標、多目的IFL技術構築に向けた有望な方向性を包括的に分析する。

関連論文リスト

• Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey [67.48187503803847]
  Vertical Federated Learning(VFL)は、プライバシ保護のための分散学習パラダイムである。 近年の研究では、VFLの様々な課題に対処する有望な成果が示されている。 この調査は、最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2024-05-25T16:05:06Z)
• SoK: Challenges and Opportunities in Federated Unlearning [32.0365189539138]
  本論文は、この新興分野における研究動向と課題を特定することを目的として、未学習の未学習文学を深く研究することを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T19:35:08Z)
• A Bargaining-based Approach for Feature Trading in Vertical Federated Learning [54.51890573369637]
  本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。 当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
  論文  参考訳（メタデータ） (2024-02-23T10:21:07Z)
• Personalized Federated Learning for Statistical Heterogeneity [0.021756081703276]
  人工知能アプリケーションにおけるデータプライバシに関する懸念の高まりとともに、フェデレートラーニング(FL)の人気が高まっている。 本稿では、パーソナライズド・フェデレーション・ラーニング(PFL)分野における現在の研究動向について概説する。
  論文  参考訳（メタデータ） (2024-02-07T12:28:52Z)
• A Survey on Efficient Federated Learning Methods for Foundation Model Training [62.473245910234304]
  フェデレーテッド・ラーニング(FL)は、多数のクライアントにわたるプライバシー保護協調トレーニングを促進するための確立した技術となっている。 Foundation Models (FM)の後、多くのディープラーニングアプリケーションでは現実が異なる。 FLアプリケーションに対するパラメータ効率細調整(PEFT)の利点と欠点について論じる。
  論文  参考訳（メタデータ） (2024-01-09T10:22:23Z)
• Evaluating and Incentivizing Diverse Data Contributions in Collaborative Learning [89.21177894013225]
  フェデレートされた学習モデルがうまく機能するためには、多様で代表的なデータセットを持つことが不可欠である。 データの多様性を定量化するために用いられる統計的基準と、使用するフェデレート学習アルゴリズムの選択が、結果の平衡に有意な影響を及ぼすことを示す。 我々はこれを活用して、データ収集者がグローバルな人口を代表するデータに貢献することを奨励する、シンプルな最適なフェデレーション学習機構を設計する。
  論文  参考訳（メタデータ） (2023-06-08T23:38:25Z)
• Vertical Federated Learning: A Structured Literature Review [0.0]
  フェデレートラーニング(FL)は、データプライバシのメリットを付加した、有望な分散ラーニングパラダイムとして登場した。 本稿では,VFLにおける最先端のアプローチを論じる構造化文献レビューを行う。
  論文  参考訳（メタデータ） (2022-12-01T16:16:41Z)
• Towards Verifiable Federated Learning [15.758657927386263]
  Federated Learning(FL)は、強力なモデルを構築しながらユーザのプライバシを保存する、コラボレーション機械学習の新たなパラダイムである。 自己関心のある団体によるオープンな参加の性質から、FLは正当なFL参加者による潜在的な不適切な行動から守らなければならない。 検証可能なフェデレーション学習は、学界や業界からも大きな関心を集めている研究の新たな話題となっている。
  論文  参考訳（メタデータ） (2022-02-15T09:52:25Z)
• Incentive Mechanisms for Federated Learning: From Economic and Game Theoretic Perspective [42.50367925564069]
  フェデレートラーニング(FL)は、所有者の生データを公開せずに、大規模機械学習(ML)モデルをトレーニングする大きな可能性を示している。 FLでは、データ所有者は、ローカルデータに基づいてMLモデルをトレーニングすることができ、モデルの所有者に生データではなくモデル更新を送信してアグリゲーションを行うことができる。 モデル精度とトレーニング完了時間の観点から学習性能を向上させるためには,十分な参加者を募集することが不可欠である。
  論文  参考訳（メタデータ） (2021-11-20T07:22:14Z)
• FedNLP: A Research Platform for Federated Learning in Natural Language Processing [55.01246123092445]
  NLPのフェデレーションラーニングのための研究プラットフォームであるFedNLPを紹介します。 FedNLPは、テキスト分類、シーケンスタグ付け、質問応答、Seq2seq生成、言語モデリングなど、NLPで一般的なタスクの定式化をサポートしている。 FedNLPによる予備実験では、分散型データセットと集中型データセットの学習には大きなパフォーマンスギャップが存在することが明らかになった。
  論文  参考訳（メタデータ） (2021-04-18T11:04:49Z)
• A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
  フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。 本稿では,FL に対応する SV の変種を提案する。
  論文  参考訳（メタデータ） (2020-09-14T04:37:54Z)

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。