論文の概要: The Applicability of Federated Learning to Official Statistics

• arxiv url: http://arxiv.org/abs/2307.15503v2
• Date: Fri, 29 Sep 2023 11:02:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 17:58:08.273755
• Title: The Applicability of Federated Learning to Official Statistics
• Title（参考訳）: 公式統計へのフェデレーション学習の適用性
• Authors: Joshua Stock, Oliver Hauke, Julius Wei{\ss}mann, Hannes Federrath
• Abstract要約: 本研究は,公式統計学におけるフェデレートラーニングの可能性について考察する。 これは、FLモデルの性能が集中的な学習方法にいかに追いつくかを示す。
• 参考スコア（独自算出の注目度）: 0.5461938536945721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work investigates the potential of Federated Learning (FL) for official statistics and shows how well the performance of FL models can keep up with centralized learning methods.F L is particularly interesting for official statistics because its utilization can safeguard the privacy of data holders, thus facilitating access to a broader range of data. By simulating three different use cases, important insights on the applicability of the technology are gained. The use cases are based on a medical insurance data set, a fine dust pollution data set and a mobile radio coverage data set - all of which are from domains close to official statistics. We provide a detailed analysis of the results, including a comparison of centralized and FL algorithm performances for each simulation. In all three use cases, we were able to train models via FL which reach a performance very close to the centralized model benchmarks. Our key observations and their implications for transferring the simulations into practice are summarized. We arrive at the conclusion that FL has the potential to emerge as a pivotal technology in future use cases of official statistics.
• Abstract（参考訳）: 本研究は,公式統計における連合学習(federated learning, ffl)の可能性を調査し,flモデルの性能が集中型学習手法にどのように追いつくかを示す。f lは,データホルダのプライバシーを保護し,より広い範囲のデータへのアクセスを容易にするため,公式統計学において特に興味深い。 3つの異なるユースケースをシミュレートすることで、技術の適用性に関する重要な洞察が得られる。 ユースケースは、医療保険データセット、微粒子汚染データセット、移動無線カバレッジデータセットに基づいており、これらはすべて、公式統計に近いドメインのものだ。 各シミュレーションにおける集中型アルゴリズムとflアルゴリズムの性能の比較を含む、結果の詳細な分析を行う。 3つのユースケースすべてにおいて、集中型モデルベンチマークに非常に近いパフォーマンスに達するFLを介してモデルをトレーニングすることができました。 シミュレーションを実践に移す上で重要な観察と意義について概説する。 我々は、flが将来の公式統計のユースケースにおいて重要な技術として現れる可能性を持っているという結論に達した。

関連論文リスト

• Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning? [50.03434441234569]
  フェデレートラーニング(FL)は、直接データ共有を必要とせず、さまざまなサイトで機械学習モデルをトレーニングする効果により、大きな人気を集めている。 局所的な更新を伴うFLは通信効率のよい分散学習フレームワークであることが様々なアルゴリズムによって示されているが、局所的な更新によるFLの一般化性能は比較的低い。
  論文  参考訳（メタデータ） (2024-09-05T19:00:18Z)
• StatAvg: Mitigating Data Heterogeneity in Federated Learning for Intrusion Detection Systems [22.259297167311964]
  フェデレートラーニング(FL)は、デバイスが生データを第三者に公開することなく、共同で機械学習(ML)またはディープラーニング(DL)モデルを構築することができる分散学習技術である。 プライバシー保護の性質から、FLはサイバーセキュリティの領域内で侵入検知システム(IDS)を構築するために広く注目を集めている。 FLにおけるローカルクライアントのデータ間で,非独立かつ同一の(非ID)分散機能を緩和する,統計的平均化(StatAvg)と呼ばれる有効な手法を提案する。
  論文  参考訳（メタデータ） (2024-05-20T14:41:59Z)
• FedRSU: Federated Learning for Scene Flow Estimation on Roadside Units [50.930389484343515]
  ロードサイドユニット(RSU)は、V2X通信を通じて、自動運転車の安全性とロバスト性を大幅に向上させることができる。 現在、単一のRSUの使用は主にリアルタイム推論とV2Xコラボレーションに焦点を当てている。 多数のRSUから大量のデータを統合することで、モデルトレーニングのための豊富なデータソースを提供することができます。 我々は,自己監督型シーンフロー推定のための革新的なフェデレート学習フレームワークであるFedRSUを紹介する。
  論文  参考訳（メタデータ） (2024-01-23T15:52:57Z)
• Federated Learning for Clinical Structured Data: A Benchmark Comparison of Engineering and Statistical Approaches [37.192249479129444]
  フェデレートラーニング(FL)は、医療コラボレーションにおけるデータのプライバシ保護の有望な可能性を示している。 FL」という言葉は元々エンジニアリングコミュニティによって造られたものであるが、統計分野も同様のプライバシー保護アルゴリズムを探求している。 本稿では工学と統計の両分野からFLフレームワークを総合的に比較する。
  論文  参考訳（メタデータ） (2023-11-06T10:11:59Z)
• Vicinal Feature Statistics Augmentation for Federated 3D Medical Volume Segmentation [17.096806029281385]
  FL(Federated Learning)は、複数のクライアント医療機関が、プライバシー保護を備えたディープラーニング(DL)モデルを共同でトレーニングすることを可能にする。 しかし、FLの性能は、小さな機関におけるラベル付きデータの限られた可用性と、機関間での不均一な(すなわち非i.d.)データ分散によって制限される。 我々は,局所的な特徴シフトを効果的に緩和し,プライバシーに配慮したFLセグメンテーションのための協調トレーニングを容易にするために,ビジナルな特徴レベルデータ拡張手法を開発した。
  論文  参考訳（メタデータ） (2023-10-23T21:14:52Z)
• StatMix: Data augmentation method that relies on image statistics in federated learning [0.27528170226206433]
  StatMixは、画像統計を用いてFLシナリオの結果を改善する拡張アプローチである。 すべてのFL実験において、StatMixの応用は(StatMixを使わない)ベースライントレーニングと比較して平均精度を向上させる。
  論文  参考訳（メタデータ） (2022-07-08T19:02:41Z)
• Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
  フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。 モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。 本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
  論文  参考訳（メタデータ） (2022-02-14T18:33:12Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Prototype Guided Federated Learning of Visual Feature Representations [15.021124010665194]
  Federated Learning(FL)は、分散モデルトレーニングを可能にするフレームワークである。 既存の手法は、内部表現を無視したモデルを集約する。 我々は、分散データ上で学習した表現のマージンを用いてクライアントの偏差を計算するFedProtoを紹介する。
  論文  参考訳（メタデータ） (2021-05-19T08:29:12Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• 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。