Fugu-MT 論文翻訳(概要): FedScore: A privacy-preserving framework for federated scoring system development

論文の概要: FedScore: A privacy-preserving framework for federated scoring system development

arxiv url: http://arxiv.org/abs/2303.00282v1
Date: Wed, 1 Mar 2023 07:12:33 GMT
ステータス: 処理完了
システム内更新日: 2023-03-02 15:41:58.545816
Title: FedScore: A privacy-preserving framework for federated scoring system development
Title（参考訳）: FedScore:フェデレーションスコアシステム開発のためのプライバシー保護フレームワーク
Authors: Siqi Li, Yilin Ning, Marcus Eng Hock Ong, Bibhas Chakraborty, Chuan Hong, Feng Xie, Han Yuan, Mingxuan Liu, Daniel M. Buckland, Yong Chen, Nan Liu
Abstract要約: FedScoreは、複数のサイトにわたるシステム生成を評価するための、プライバシ保護のフェデレーション学習フレームワークである。シンガポールの救急部を訪れた30日以内に,死亡予測のための仮説的グローバルスコアシステムを構築した。我々は,取得したFedScoreモデルの性能を,受信動作特性(ROC)解析を用いて他のスコアモデルと比較した。
参考スコア（独自算出の注目度）: 11.545965235001587
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose FedScore, a privacy-preserving federated learning framework for scoring system generation across multiple sites to facilitate cross-institutional collaborations. The FedScore framework includes five modules: federated variable ranking, federated variable transformation, federated score derivation, federated model selection and federated model evaluation. To illustrate usage and assess FedScore's performance, we built a hypothetical global scoring system for mortality prediction within 30 days after a visit to an emergency department using 10 simulated sites divided from a tertiary hospital in Singapore. We employed a pre-existing score generator to construct 10 local scoring systems independently at each site and we also developed a scoring system using centralized data for comparison. We compared the acquired FedScore model's performance with that of other scoring models using the receiver operating characteristic (ROC) analysis. The FedScore model achieved an average area under the curve (AUC) value of 0.763 across all sites, with a standard deviation (SD) of 0.020. We also calculated the average AUC values and SDs for each local model, and the FedScore model showed promising accuracy and stability with a high average AUC value which was closest to the one of the pooled model and SD which was lower than that of most local models. This study demonstrates that FedScore is a privacy-preserving scoring system generator with potentially good generalizability.
Abstract（参考訳）: 本研究では,複数のサイト間でシステム生成をスコアリングし,相互機関間コラボレーションを促進するための,プライバシー保護型フェデレート学習フレームワークfederatedcoreを提案する。 FedScoreフレームワークには、フェデレーション変数ランキング、フェデレーション変数変換、フェデレーションスコア導出、フェデレーションモデル選択、フェデレーションモデル評価の5つのモジュールが含まれている。そこで本研究では,シンガポールの第三次病院から分離した10箇所のシミュレートサイトを用いて,救急搬送後30日以内の死亡予測のための仮想的グローバルスコアシステムを構築した。既存のスコア生成装置を用いて,各サイト毎に10個の局所スコアシステムを構築し,比較のための集中型データを用いたスコアシステムを開発した。取得したfederscoreモデルの性能を,受信機動作特性(roc)分析を用いて他のスコアリングモデルと比較した。 fedscoreモデルでは、すべてのサイトにおける曲線 (auc) の平均面積が 0.763 となり、標準偏差 (sd) は 0.020 となった。また,各局所モデルの平均 AUC 値とSD を算出し,FedScore モデルでは,各局所モデルの平均 AUC 値に最も近い平均 AUC 値と多くの局所モデルよりも低いSD 値で有望な精度と安定性を示した。本研究では,federscoreがプライバシ保護型スコアリングシステムジェネレータであることを示す。

関連論文リスト

Federated Learning Architectures: A Performance Evaluation with Crop Yield Prediction Application [22.173280246644044]
本稿では,長期記憶ネットワークに基づく収量予測のための集中型・分散型フェデレーション学習フレームワークを実装した。 2つのフレームワークのパフォーマンスは、予測精度、精度、リコール、F1スコア、トレーニング時間の観点から評価される。
論文参考訳（メタデータ） (2024-08-06T07:05:56Z)
Better than Random: Reliable NLG Human Evaluation with Constrained Active Sampling [50.08315607506652]
信頼性の高い人的判断のための制約付きアクティブサンプリングフレームワーク(CASF)を提案する。実験の結果、CASFは93.18%のシステム認識精度が得られた。
論文参考訳（メタデータ） (2024-06-12T07:44:36Z)
Developing Federated Time-to-Event Scores Using Heterogeneous Real-World Survival Data [8.3734832069509]
既存のサバイバルスコアの構築方法は、データが単一のソースに由来することを前提としている。本稿では,多地点生存のための統合スコアリングシステムを構築するための新しいフレームワークを提案する。参加者各サイトからのデータセットのテストにおいて,提案するフェデレーションスコアリングシステムは,すべての局所モデルより一貫して優れていた。
論文参考訳（メタデータ） (2024-03-08T11:32:00Z)
On the Distributed Evaluation of Generative Models [15.629121946912088]
我々は、広く使われている距離ベース評価指標であるFr'echet Inception Distance(FID)とKernel Inception Distance(KID)に焦点を当てる。 KID測定の場合、クライアントの平均KIDスコアを用いた生成モデルのスコアは、すべてのクライアントのデータを含む集合参照セットに対して集中的なKID評価と同じランキングとなることが証明される。分散環境では、各クライアントが2つの生成モデルに同じFIDスコアを割り当てるが、2つのモデルの集中的なFIDスコアは著しく異なる。
論文参考訳（メタデータ） (2023-10-18T05:06:04Z)
C-PMI: Conditional Pointwise Mutual Information for Turn-level Dialogue Evaluation [68.59356746305255]
本稿では,システムとユーザ間のターンレベルインタラクションを測定するための,モデルに依存しない新しいアプローチを提案する。提案手法は,既存の評価システムと比較して,人間の判断との相関性を大幅に改善する。
論文参考訳（メタデータ） (2023-06-27T06:58:03Z)
GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
論文参考訳（メタデータ） (2023-04-19T14:58:27Z)
FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
論文参考訳（メタデータ） (2022-12-14T13:57:01Z)
FP-Diffusion: Improving Score-based Diffusion Models by Enforcing the Underlying Score Fokker-Planck Equation [72.19198763459448]
雑音が増大する傾向にあるデータ密度に対応する雑音条件スコア関数の族を学習する。これらの摂動データ密度は、密度の時空間進化を管理する偏微分方程式(PDE)であるフォッカー・プランク方程式(Fokker-Planck equation, FPE)によって結合される。我々は、摂動データ密度の雑音条件スコアを特徴付けるスコアFPEと呼ばれる対応する方程式を導出する。
論文参考訳（メタデータ） (2022-10-09T16:27:25Z)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
FedEval: A Benchmark System with a Comprehensive Evaluation Model for Federated Learning [17.680627081257246]
本稿では,フェデレートラーニング(FL)システムに対する総合的な評価フレームワークを提案する。まず、精度、コミュニケーション、時間効率、プライバシ、ロバストネスなど、FL評価において除外できない5つの指標を定義するACTPRモデルを紹介します。次に、最も広く使われている2つのFLメカニズムであるFedSGDとFedAvgの詳細なベンチマーク調査を行う。
論文参考訳（メタデータ） (2020-11-19T04:59:51Z)
FedGroup: Efficient Clustered Federated Learning via Decomposed Data-Driven Measure [18.083188787905083]
本稿では,新しいクラスタ型フェデレーション学習(CFL)フレームワークであるFedGroupを提案する。 FEMNISTではFedAvgに比べて絶対テスト精度が+14.1%向上することが示された。また、いくつかのオープンデータセット上でFedGroupとFedGrouProx(FedProxと組み合わせた)を評価します。
論文参考訳（メタデータ） (2020-10-14T08:15:34Z)

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。