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
- 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) - FedDriveScore: Federated Scoring Driving Behavior with a Mixture of
Metric Distributions [6.195950768412144]
集中型学習に代わるプライバシフレンドリな代替手段として,自動車とクラウドのコラボレーションが提案されている。
このフレームワークは、グローバルスコアリングモデルの性能劣化を低減するために、一貫したスコアリング手法のフェデレーションバージョンを含む。
論文 参考訳(メタデータ) (2024-01-13T02:15:41Z) - 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 [74.43215520371506]
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) - FedHiSyn: A Hierarchical Synchronous Federated Learning Framework for
Resource and Data Heterogeneity [56.82825745165945]
フェデレートラーニング(FL)は、データプライバシを保護するために複数のデバイスに格納された分散生データを共有することなく、グローバルモデルのトレーニングを可能にする。
本稿では,階層型同期FLフレームワークであるFedHiSynを提案し,トラグラー効果や時代遅れモデルの問題に対処する。
提案手法は,MNIST,EMNIST,CIFAR10,CIFAR100のデータセットと多種多様なデバイス設定に基づいて評価する。
論文 参考訳(メタデータ) (2022-06-21T17:23:06Z) - Learning Localization-aware Target Confidence for Siamese Visual
Tracking [13.684278662495204]
我々はSiamLAと呼ばれる新しい追跡パラダイムを提案する。
このパラダイムの中では、単純だが効果的なローカライゼーション対応コンポーネントがいくつか導入されている。
当社のSiamLAは精度と効率の両面で最先端のパフォーマンスを実現しています。
論文 参考訳(メタデータ) (2022-04-29T13:37:15Z) - 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。