Fugu-MT 論文翻訳(概要): A Survey on Contribution Evaluation in Vertical Federated Learning

論文の概要: A Survey on Contribution Evaluation in Vertical Federated Learning

arxiv url: http://arxiv.org/abs/2405.02364v1
Date: Fri, 3 May 2024 06:32:07 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 20:19:44.915022
Title: A Survey on Contribution Evaluation in Vertical Federated Learning
Title（参考訳）: 垂直的フェデレーション学習における貢献度評価に関する調査
Authors: Yue Cui, Chung-ju Huang, Yuzhu Zhang, Leye Wang, Lixin Fan, Xiaofang Zhou, Qiang Yang,
Abstract要約: Vertical Federated Learning (VFL)は、プライバシの問題に対処する機械学習において、重要なアプローチとして登場した。本稿では,VFLにおけるコントリビューション評価について概説する。コントリビューション評価を含むVFLにおける様々なタスクについて検討し、必要な評価特性を解析する。
参考スコア（独自算出の注目度）: 26.32678862011122
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vertical Federated Learning (VFL) has emerged as a critical approach in machine learning to address privacy concerns associated with centralized data storage and processing. VFL facilitates collaboration among multiple entities with distinct feature sets on the same user population, enabling the joint training of predictive models without direct data sharing. A key aspect of VFL is the fair and accurate evaluation of each entity's contribution to the learning process. This is crucial for maintaining trust among participating entities, ensuring equitable resource sharing, and fostering a sustainable collaboration framework. This paper provides a thorough review of contribution evaluation in VFL. We categorize the vast array of contribution evaluation techniques along the VFL lifecycle, granularity of evaluation, privacy considerations, and core computational methods. We also explore various tasks in VFL that involving contribution evaluation and analyze their required evaluation properties and relation to the VFL lifecycle phases. Finally, we present a vision for the future challenges of contribution evaluation in VFL. By providing a structured analysis of the current landscape and potential advancements, this paper aims to guide researchers and practitioners in the design and implementation of more effective, efficient, and privacy-centric VFL solutions. Relevant literature and open-source resources have been compiled and are being continuously updated at the GitHub repository: \url{https://github.com/cuiyuebing/VFL_CE}.
Abstract（参考訳）: Vertical Federated Learning (VFL)は、中央集権データストレージと処理に関連するプライバシー問題に対処する機械学習において、重要なアプローチとして登場した。 VFLは、複数のエンティティ間のコラボレーションを容易にし、同じユーザ人口に異なる特徴セットを持ち、直接データ共有なしで予測モデルの共同トレーニングを可能にする。 VFLの重要な側面は、学習プロセスに対する各エンティティの貢献の公平かつ正確な評価である。これは、参加する組織間の信頼の維持、公平なリソース共有の確保、持続可能なコラボレーションフレームワークの育成に不可欠である。本稿では,VFLにおけるコントリビューション評価について概観する。本稿では,VFLライフサイクルに沿った様々なコントリビューション評価手法,評価の粒度,プライバシ考慮,コア計算手法を分類する。また, コントリビューション評価に関わる様々なタスクについて検討し, 必要な評価特性とVFLライフサイクルフェーズとの関係について分析する。最後に,VFLにおけるコントリビューション評価の今後の課題について述べる。本稿は,現在の展望と今後の展望を構造化した分析結果を提供することで,より効率的で効率的な,プライバシー中心のVFLソリューションの設計と実装を研究者や実践者たちに指導することを目的とする。関連文献とオープンソースリソースがコンパイルされ、GitHubリポジトリで継続的に更新されている。

関連論文リスト

Benchmarking Vision Language Model Unlearning via Fictitious Facial Identity Dataset [94.13848736705575]
我々は、未学習アルゴリズムの有効性を頑健に評価するために設計された新しいVLMアンラーニングベンチマークであるFacial Identity Unlearning Benchmark (FIUBench)を紹介する。情報ソースとその露出レベルを正確に制御する2段階評価パイプラインを適用した。 FIUBench 内の 4 つのベースライン VLM アンラーニングアルゴリズムの評価により,すべての手法がアンラーニング性能に制限されていることが明らかとなった。
論文参考訳（メタデータ） (2024-11-05T23:26:10Z)
De-VertiFL: A Solution for Decentralized Vertical Federated Learning [7.877130417748362]
この研究は、分散VFL設定でモデルをトレーニングするための新しいソリューションであるDe-VertiFLを紹介している。 De-VertiFLは、新しいネットワークアーキテクチャディストリビューション、革新的な知識交換スキーム、分散フェデレーショントレーニングプロセスを導入することで貢献する。その結果、De-VertiFLは一般的にF1スコアのパフォーマンスにおいて最先端のメソッドを上回り、分散化とプライバシ保護のフレームワークを維持していることがわかった。
論文参考訳（メタデータ） (2024-10-08T15:31:10Z)
Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey [67.48187503803847]
Vertical Federated Learning(VFL)は、プライバシ保護のための分散学習パラダイムである。近年の研究では、VFLの様々な課題に対処する有望な成果が示されている。この調査は、最近の展開を体系的に概観する。
論文参考訳（メタデータ） (2024-05-25T16:05:06Z)
A Bargaining-based Approach for Feature Trading in Vertical Federated Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文参考訳（メタデータ） (2024-02-23T10:21:07Z)
A Survey of Federated Unlearning: A Taxonomy, Challenges and Future Directions [71.16718184611673]
プライバシ保護のためのフェデレートラーニング(FL)の進化により、忘れられる権利を実装する必要性が高まっている。選択的な忘れ方の実装は、その分散した性質のため、FLでは特に困難である。 Federated Unlearning(FU)は、データプライバシの必要性の増加に対応する戦略的ソリューションとして登場した。
論文参考訳（メタデータ） (2023-10-30T01:34:33Z)
VertiBench: Advancing Feature Distribution Diversity in Vertical Federated Learning Benchmarks [31.08004805380727]
本稿では,VFLの性能に影響を及ぼす2つの要因について紹介する。また、画像イメージのVFLシナリオの欠点に対応するために、実際のVFLデータセットも導入する。
論文参考訳（メタデータ） (2023-07-05T05:55:08Z)
Bayesian Federated Learning: A Survey [54.40136267717288]
フェデレートラーニング(FL)は、分散インフラストラクチャ、コミュニケーション、コンピューティング、学習をプライバシ保護の方法で統合する際の利点を示している。既存のFL手法のロバスト性と能力は、制限された動的データと条件によって挑戦される。 BFLはこれらの問題に対処するための有望なアプローチとして登場した。
論文参考訳（メタデータ） (2023-04-26T03:41:17Z)
Towards Interpretable Federated Learning [19.764172768506132]
フェデレートラーニング(FL)は、複数のデータ所有者が、プライベートなローカルデータを公開せずに、協調して機械学習モデルを構築することを可能にする。特に金融や医療といったミッションクリティカルなアプリケーションにおいて、パフォーマンス、プライバシ保護、解釈可能性の必要性のバランスをとることが重要です。我々は、代表的IFL手法、一般的に採用されている性能評価指標、多目的IFL技術構築に向けた有望な方向性を包括的に分析する。
論文参考訳（メタデータ） (2023-02-27T02:06:18Z)
Data Valuation for Vertical Federated Learning: A Model-free and Privacy-preserving Method [14.451118953357605]
FedValueは、VFL(Vertical Federated Learning)のためのプライバシ保護、タスク固有、モデルフリーなデータ評価手法である。まず,機械学習モデルを実行する必要なく,予測分析タスクへのデータパーティの貢献を評価する。次に、プライバシ保存方式で各データパーティのMShapley-CMI値を算出する革新的なフェデレーション手法を開発する。
論文参考訳（メタデータ） (2021-12-15T02:42:28Z)
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。