Fugu-MT 論文翻訳(概要): Federated Learning for Tabular Data using TabNet: A Vehicular Use-Case

論文の概要: Federated Learning for Tabular Data using TabNet: A Vehicular Use-Case

arxiv url: http://arxiv.org/abs/2405.02060v1
Date: Fri, 3 May 2024 12:42:40 GMT
ステータス: 処理完了
システム内更新日: 2024-05-06 12:55:53.319585
Title: Federated Learning for Tabular Data using TabNet: A Vehicular Use-Case
Title（参考訳）: TabNetを用いた語彙データのフェデレーション学習:Vehicular Use-Case
Authors: William Lindskog, Christian Prehofer,
Abstract要約: 道路上の障害物や不規則性,舗装のタイプを分類するために,フェデレーテッド・ラーニング(Federated Learning)を車両のユースケースに適用する方法を示す。私たちは、TabNetをFLとどのように統合できるかを最初にデモしました。
参考スコア（独自算出の注目度）: 0.21485350418225244
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we show how Federated Learning (FL) can be applied to vehicular use-cases in which we seek to classify obstacles, irregularities and pavement types on roads. Our proposed framework utilizes FL and TabNet, a state-of-the-art neural network for tabular data. We are the first to demonstrate how TabNet can be integrated with FL. Moreover, we achieve a maximum test accuracy of 93.6%. Finally, we reason why FL is a suitable concept for this data set.
Abstract（参考訳）: 本稿では,道路上の障害物,不規則,舗装の種類を分類する車両利用事例に対して,フェデレートラーニング(FL)が適用可能であることを示す。提案するフレームワークは,表データのための最先端ニューラルネットワークであるFLとTabNetを利用する。私たちは、TabNetをFLとどのように統合できるかを最初にデモしました。また, 最大試験精度は93.6%である。最後に、FLがこのデータセットに適した概念である理由について述べる。

関連論文リスト

Tokenize features, enhancing tables: the FT-TABPFN model for tabular classification [13.481699494376809]
FT-TabPFNはTabPFNの拡張版で、分類機能をよりよく扱うための新しい機能トークン化レイヤを含んでいる。私たちの完全なソースコードは、コミュニティの利用と開発に利用可能です。
論文参考訳（メタデータ） (2024-06-11T02:13:46Z)
A Federated Learning Benchmark on Tabular Data: Comparing Tree-Based Models and Neural Networks [0.21485350418225244]
フェデレートラーニング(FL)は、機械学習モデルが分散データセットでトレーニングする方法に対処するため、注目を集めている。本研究では,データ分割の異なる水平FLのためのフェデレーションTBMとDNNのベンチマークを行った。フェデレートされたTBMは,クライアント数を大幅に増やしても,フェデレーションされたパラメトリックモデルよりも優れていた。
論文参考訳（メタデータ） (2024-05-03T13:08:56Z)
Interpretable Machine Learning for TabPFN [5.012821694203072]
TabPFNモデルは、様々な分類タスクで最先端のパフォーマンスを達成することができる。モデルのユニークな性質を利用することで、我々の適応はより効率的な計算を可能にします。
論文参考訳（メタデータ） (2024-03-16T13:35:15Z)
TuneTables: Context Optimization for Scalable Prior-Data Fitted Networks [90.00817095558094]
我々は,事前データ対応ネットワーク(PFN)のコンテキスト最適化手法を開発した。 PFNは、事前学習とコンテキスト内学習を利用して、1つのフォワードパスで新しいタスクの強力なパフォーマンスを達成する。我々は,大規模データセットをより小さな学習コンテキストに圧縮する新しいプロンプトチューニング戦略であるTuneTablesを提案する。
論文参考訳（メタデータ） (2024-02-17T00:02:23Z)
The Applicability of Federated Learning to Official Statistics [0.5461938536945721]
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。
論文参考訳（メタデータ） (2023-07-28T11:58:26Z)
FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [77.45213180689952]
本稿では,エッジコンピューティングシステムにおけるFLワークロードを対象としたベンチマークであるFLEdgeを紹介する。ハードウェアの不均一性,トレーニング中のエネルギー効率,およびFLシステムのトレーニングに対する各種の差分プライバシーレベルの影響を系統的に研究した。クライアントのドロップアウトが失敗率50%の最先端のFL戦略に与える影響を評価する。
論文参考訳（メタデータ） (2023-06-08T13:11:20Z)
Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
論文参考訳（メタデータ） (2023-03-23T02:42:10Z)
FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings [51.09574369310246]
Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
論文参考訳（メタデータ） (2022-10-10T12:17:30Z)
TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second [48.87527918630822]
トレーニングされたトランスフォーマーであるTabPFNは、小さなデータセットの教師付き分類を1秒以内で行うことができる。 TabPFNはコンテキスト内学習(ICL)を行い、ラベル付きサンプルのシーケンスを使用して予測を行う。提案手法は, 強化木よりも明らかに優れており, 230$times$ Speedupの複雑なAutoMLシステムと同等性能を示す。
論文参考訳（メタデータ） (2022-07-05T07:17:43Z)
Transfer Learning with Deep Tabular Models [66.67017691983182]
上流データにより、グラフニューラルネットワークはGBDTモデルよりも決定的な優位性を示す。そこで本研究では,表在化学習のための現実的な診断ベンチマークを提案する。上流と下流の特徴セットが異なる場合の擬似特徴法を提案する。
論文参考訳（メタデータ） (2022-06-30T14:24:32Z)

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。