Fugu-MT 論文翻訳(概要): Causal Multi-Label Feature Selection in Federated Setting

論文の概要: Causal Multi-Label Feature Selection in Federated Setting

arxiv url: http://arxiv.org/abs/2403.06419v1
Date: Mon, 11 Mar 2024 04:11:48 GMT
ステータス: 処理完了
システム内更新日: 2024-03-12 20:22:41.774906
Title: Causal Multi-Label Feature Selection in Federated Setting
Title（参考訳）: フェデレーション設定における因果的マルチラベル特徴選択
Authors: Yukun Song, Dayuan Cao, Jiali Miao, Shuai Yang, Kui Yu
Abstract要約: 3つの新しいサブルーチンを持つフェデレート因果多ラベル特徴選択(FedCMFS)アルゴリズムを提案する。 FedCMFSはまずFedCFLサブルーチンを使用し、ラベルラベル、ラベル機能、機能機能間の相関を考慮し、関連する特徴を学習する。第二に、FedCMFSはFedCFRサブルーチンを使用して、紛失した真の関連する機能を選択的に回収する。
参考スコア（独自算出の注目度）: 12.567019739483886
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-label feature selection serves as an effective mean for dealing with high-dimensional multi-label data. To achieve satisfactory performance, existing methods for multi-label feature selection often require the centralization of substantial data from multiple sources. However, in Federated setting, centralizing data from all sources and merging them into a single dataset is not feasible. To tackle this issue, in this paper, we study a challenging problem of causal multi-label feature selection in federated setting and propose a Federated Causal Multi-label Feature Selection (FedCMFS) algorithm with three novel subroutines. Specifically, FedCMFS first uses the FedCFL subroutine that considers the correlations among label-label, label-feature, and feature-feature to learn the relevant features (candidate parents and children) of each class label while preserving data privacy without centralizing data. Second, FedCMFS employs the FedCFR subroutine to selectively recover the missed true relevant features. Finally, FedCMFS utilizes the FedCFC subroutine to remove false relevant features. The extensive experiments on 8 datasets have shown that FedCMFS is effect for causal multi-label feature selection in federated setting.
Abstract（参考訳）: マルチラベル特徴選択は、高次元のマルチラベルデータを扱う効果的な手段となる。良好な性能を達成するために、既存のマルチラベル特徴選択法では、複数のソースから大量のデータを集中化する必要があることが多い。しかし、フェデレーション設定では、すべてのソースからデータを集中して単一のデータセットにマージすることは不可能である。本稿では,フェデレーション設定における因果的マルチラベル特徴選択の課題について検討し,3つの新しいサブルーチンを用いたフェデレーション因果的多ラベル特徴選択(fedcmfs)アルゴリズムを提案する。具体的には、federcflサブルーチンを使用して、ラベルラベル、ラベル機能、フィーチャー機能間の相関を考慮し、データを集中化せずにデータプライバシを維持しながら、各クラスラベルの関連機能(親子候補)を学習する。第二に、FedCMFSはFedCFRサブルーチンを使用して、失敗した真の関連する機能を選択的に回収する。最後に、FedCMFSはFedCFCサブルーチンを使用して、偽の関連機能を除去する。 8つのデータセットに対する広範な実験により、フェデレーションがフェデレーション設定における因果多ラベル特徴の選択に有効であることが示されている。

関連論文リスト

FMLFS: A Federated Multi-Label Feature Selection Based on Information Theory in IoT Environment [1.749521391198341]
Internet-of-Things(IoT)デバイスは、大量のマルチラベルデータセットを生成し、収集する。これらのデータセットにおけるノイズ、冗長、あるいは無関係な特徴の存在は、次元性の呪いとともに、マルチラベル分類器の課題を提起する。本稿では,最初のフェデレーション付きマルチラベル特徴選択法であるFMLFSを紹介する。
論文参考訳（メタデータ） (2024-05-01T13:58:28Z)
Embedded Multi-label Feature Selection via Orthogonal Regression [45.55795914923279]
少なくとも2乗回帰に基づく最先端の組込みマルチラベル特徴選択アルゴリズムは、マルチラベルデータに十分な識別情報を保存できない。複数ラベルの特徴選択を容易にするために, 組込み多ラベル特徴選択法を提案する。 10個の多ラベルデータセットの大規模な実験結果から,GRROORの有効性が示された。
論文参考訳（メタデータ） (2024-03-01T06:18:40Z)
MvFS: Multi-view Feature Selection for Recommender System [7.0190343591422115]
本稿では,各インスタンスのより効率的な情報機能を選択するMulti-view Feature Selection (MvFS)を提案する。 MvFSは複数のサブネットワークで構成されるマルチビューネットワークを採用しており、それぞれがデータの一部の特徴的重要性を計測することを学ぶ。 MvFSは、各分野に独立して適用される効果的な重要スコアモデリング戦略を採用している。
論文参考訳（メタデータ） (2023-09-05T09:06:34Z)
FedWon: Triumphing Multi-domain Federated Learning Without Normalization [50.49210227068574]
フェデレートラーニング(FL)は、分散クライアントでの協調的なインサイトトレーニングによって、データのプライバシを高める。しかし、フェデレーテッド・ラーニング(FL)は、非独立で同一に分散された(非i.d)データのために困難に直面する。本稿では,FLにおける多領域問題に対処するため,FedWon(Federated Learning Without normalizations)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2023-06-09T13:18:50Z)
FLAG: Fast Label-Adaptive Aggregation for Multi-label Classification in Federated Learning [1.4280238304844592]
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。
論文参考訳（メタデータ） (2023-02-27T08:16:39Z)
FedSDG-FS: Efficient and Secure Feature Selection for Vertical Federated Learning [21.79965380400454]
Vertical Learning(VFL)は、複数のデータオーナに対して、大きな重複するデータサンプルセットに関する機能のサブセットをそれぞれ保持して、有用なグローバルモデルを共同でトレーニングすることを可能にする。 VFLのために設計された既存のFSは、ノイズの多い特徴の数について事前知識を仮定するか、有用な特徴の訓練後のしきい値について事前知識を仮定する。本稿では,FedSDG-FS(Federated Dual-Gate Based Feature Selection)アプローチを提案する。
論文参考訳（メタデータ） (2023-02-21T03:09:45Z)
Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
論文参考訳（メタデータ） (2023-01-03T05:38:43Z)
FedFM: Anchor-based Feature Matching for Data Heterogeneity in Federated Learning [91.74206675452888]
本稿では,各クライアントの特徴を共有カテゴリーのアンカーにマッチさせる新しいFedFM法を提案する。効率と柔軟性を向上させるため,FedFM-Liteと呼ばれるFedFM変種を提案し,クライアントは同期時間と通信帯域幅のコストを少なくしてサーバと通信する。
論文参考訳（メタデータ） (2022-10-14T08:11:34Z)
A Supervised Feature Selection Method For Mixed-Type Data using Density-based Feature Clustering [1.3048920509133808]
本稿では、密度ベース特徴クラスタリング(SFSDFC)を用いた教師付き特徴選択法を提案する。 SFSDFCは、新しい密度に基づくクラスタリング法を用いて、特徴空間を不連続な特徴クラスタの集合に分解する。そして、これらの特徴クラスタから最小限の冗長性を持つ重要な特徴のサブセットを得るために、効果的な特徴選択戦略を採用する。
論文参考訳（メタデータ） (2021-11-10T15:05:15Z)
Federated Mixture of Experts [94.25278695272874]
FedMixは特別なモデルのアンサンブルをトレーニングできるフレームワークです。類似したデータ特性を持つユーザが同じメンバーを選択して統計的強度を共有することを示す。
論文参考訳（メタデータ） (2021-07-14T14:15:24Z)
Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data [93.76907759950608]
本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
論文参考訳（メタデータ） (2020-08-14T05:46:56Z)

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。