論文の概要: FLAG: Fast Label-Adaptive Aggregation for Multi-label Classification in
Federated Learning
- arxiv url: http://arxiv.org/abs/2302.13571v1
- Date: Mon, 27 Feb 2023 08:16:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 16:22:31.183967
- Title: FLAG: Fast Label-Adaptive Aggregation for Multi-label Classification in
Federated Learning
- Title(参考訳): フェデレーション学習におけるマルチラベル分類のための高速ラベル適応アグリゲーション
- Authors: Shih-Fang Chang, Benny Wei-Yun Hsu, Tien-Yu Chang, Vincent S. Tseng
- Abstract要約: 本研究では,クラスタリングに基づくマルチラベルデータアロケーション(CMDA)と,新たな集約手法であるFast Label-Adaptive Aggregation(FLAG)を提案する。
実験の結果,我々の手法は,最先端のフェデレーション学習手法を超越するために,学習エポックとコミュニケーションラウンドの50%未満しか必要としないことがわかった。
- 参考スコア(独自算出の注目度): 1.4280238304844592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning aims to share private data to maximize the data utility
without privacy leakage. Previous federated learning research mainly focuses on
multi-class classification problems. However, multi-label classification is a
crucial research problem close to real-world data properties. Nevertheless, a
limited number of federated learning studies explore this research problem.
Existing studies of multi-label federated learning did not consider the
characteristics of multi-label data, i.e., they used the concept of multi-class
classification to verify their methods' performance, which means it will not be
feasible to apply their methods to real-world applications. Therefore, this
study proposed a new multi-label federated learning framework with a
Clustering-based Multi-label Data Allocation (CMDA) and a novel aggregation
method, Fast Label-Adaptive Aggregation (FLAG), for multi-label classification
in the federated learning environment. The experimental results demonstrate
that our methods only need less than 50\% of training epochs and communication
rounds to surpass the performance of state-of-the-art federated learning
methods.
- Abstract(参考訳): フェデレーション学習は、プライバシーの漏洩なしにデータユーティリティを最大化するためにプライベートデータを共有することを目的としている。
従来の連合学習研究は主に多クラス分類問題に焦点を当てていた。
しかし,マルチラベル分類は実世界のデータ特性に近い重要な研究課題である。
それにもかかわらず、限られた数の連合学習研究がこの研究問題を探求している。
既存のマルチラベル・フェデレート学習の研究では、マルチラベルデータの特徴を考慮せず、つまり、マルチクラス分類の概念を用いて手法の性能を検証しており、現実のアプリケーションにメソッドを適用することは不可能である。
そこで本研究では,クラスタリングに基づくマルチラベルデータアロケーション(cmda)と,フェデレーション学習環境におけるマルチラベル分類のための新しいアグリゲーション手法であるfast label-adaptive aggregation(flag)を提案する。
実験の結果,最先端のフェデレーション学習法の性能を上回るためには,トレーニング期間とコミュニケーションラウンドの50\%未満しか必要としないことがわかった。
関連論文リスト
- Multi-Label Contrastive Learning : A Comprehensive Study [48.81069245141415]
マルチラベルの分類は、研究と産業の両方において重要な領域として現れてきた。
対照的な学習をマルチラベル分類に適用することは、ユニークな課題である。
多様な環境における多ラベル分類のためのコントラスト学習損失の詳細な研究を行う。
論文 参考訳(メタデータ) (2024-11-27T20:20:06Z) - Multi-Label Knowledge Distillation [86.03990467785312]
本稿では,新しい多ラベル知識蒸留法を提案する。
一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。
一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
論文 参考訳(メタデータ) (2023-08-12T03:19:08Z) - Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。
既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。
我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文 参考訳(メタデータ) (2023-03-30T03:09:25Z) - Knowledge Distillation from Single to Multi Labels: an Empirical Study [14.12487391004319]
クラス活性化マップ(CAM)に基づく新しい蒸留法を提案する。
以上の結果から,ロジット法はマルチラベル分類に適していないことが示唆された。
そこで本研究では,適切な暗黒知識にクラス情報を導入し,最終分類結果と高い相関性を持たせることを提案する。
論文 参考訳(メタデータ) (2023-03-15T04:39:01Z) - Exploiting Diversity of Unlabeled Data for Label-Efficient
Semi-Supervised Active Learning [57.436224561482966]
アクティブラーニング(英: Active Learning)は、ラベリングのための最も重要なサンプルを選択することで、高価なラベリングの問題に対処する研究分野である。
アクティブな学習環境における初期ラベル付けのための最も情報性の高いサンプル群を選択するために,多様性に基づく新しい初期データセット選択アルゴリズムを提案する。
また、一貫性に基づく埋め込みの多様性に基づくサンプリングを用いた、新しいアクティブな学習クエリ戦略を提案する。
論文 参考訳(メタデータ) (2022-07-25T16:11:55Z) - Class-Incremental Lifelong Learning in Multi-Label Classification [3.711485819097916]
本稿では、連続したマルチラベル分類データストリームにオンラインのクラスインクリメンタル分類器を構築する、Lifelong Multi-Label (LML)分類について検討する。
そこで本研究では,AGCN (Augmented Graph Convolutional Network) を提案する。
論文 参考訳(メタデータ) (2022-07-16T05:14:07Z) - Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。
本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
論文 参考訳(メタデータ) (2022-03-29T08:01:03Z) - Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised
Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。
近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。
本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文 参考訳(メタデータ) (2022-02-07T13:08:11Z) - Active Refinement for Multi-Label Learning: A Pseudo-Label Approach [84.52793080276048]
MLL(Multi-label Learning)は、あるインスタンスと関連するラベルを一連の概念から関連付けることを目的としている。
MLLの以前の研究は、主に概念セットが修正されると思われる設定に焦点を当てていた。
多くの現実世界のアプリケーションは、新しい要求を満たすために新しい概念をセットに導入する必要がある。
論文 参考訳(メタデータ) (2021-09-29T19:17:05Z)
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。