論文の概要: Contribution Evaluation of Heterogeneous Participants in Federated Learning via Prototypical Representations

• arxiv url: http://arxiv.org/abs/2407.02073v1
• Date: Tue, 2 Jul 2024 09:05:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 16:04:54.494290
• Title: Contribution Evaluation of Heterogeneous Participants in Federated Learning via Prototypical Representations
• Title（参考訳）: 原型表現によるフェデレーション学習における異種参加者の貢献評価
• Authors: Qi Guo, Minghao Yao, Zhen Tian, Saiyu Qi, Yong Qi, Yun Lin, Jin Song Dong,
• Abstract要約: フェデレートラーニング(FL)における貢献評価は,様々な領域にまたがる適用性から重要な研究領域となっている。 既存のコントリビューション評価手法は、主にデータボリューム、モデル類似性、補助的なテストデータセットに依存しており、様々なシナリオで成功している。 本稿では、FLにおけるコントリビューション評価を、全く新しい表現の観点から検討する。
• 参考スコア（独自算出の注目度）: 18.73128175231337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contribution evaluation in federated learning (FL) has become a pivotal research area due to its applicability across various domains, such as detecting low-quality datasets, enhancing model robustness, and designing incentive mechanisms. Existing contribution evaluation methods, which primarily rely on data volume, model similarity, and auxiliary test datasets, have shown success in diverse scenarios. However, their effectiveness often diminishes due to the heterogeneity of data distributions, presenting a significant challenge to their applicability. In response, this paper explores contribution evaluation in FL from an entirely new perspective of representation. In this work, we propose a new method for the contribution evaluation of heterogeneous participants in federated learning (FLCE), which introduces a novel indicator \emph{class contribution momentum} to conduct refined contribution evaluation. Our core idea is the construction and application of the class contribution momentum indicator from individual, relative, and holistic perspectives, thereby achieving an effective and efficient contribution evaluation of heterogeneous participants without relying on an auxiliary test dataset. Extensive experimental results demonstrate the superiority of our method in terms of fidelity, effectiveness, efficiency, and heterogeneity across various scenarios.
• Abstract（参考訳）: フェデレーションラーニング(FL)における貢献評価は、低品質データセットの検出、モデルロバスト性の向上、インセンティブ機構の設計など、さまざまな分野に適用可能なことから、重要な研究領域となっている。 既存のコントリビューション評価手法は、主にデータボリューム、モデル類似性、補助的なテストデータセットに依存しており、様々なシナリオで成功している。 しかし、データ分布の不均一性のため、その効果はしばしば減少し、適用性に大きな課題が浮かび上がっている。 そこで本研究では,FLにおけるコントリビューション評価について,まったく新しい表現の視点から検討する。 本研究では,フェデレートラーニング(FLCE)における異種参加者のコントリビューション評価のための新しい手法を提案する。 我々の中核的な考え方は、個人、相対的、および全体論的視点からクラス寄与モーメントインジケータの構築と応用であり、これにより、補助的なテストデータセットに頼ることなく、異種参加者の効果的かつ効率的な貢献評価を実現することができる。 実験結果から, 各種シナリオの忠実度, 有効性, 効率性, 不均一性の観点から, 提案手法の優位性を実証した。

関連論文リスト

• DPVS-Shapley:Faster and Universal Contribution Evaluation Component in Federated Learning [1.740992908651449]
  動的Pruning Validation Set Shapley (DPVS-Shapley) というコンポーネントを導入する。 本手法は, 評価精度を損なうことなく, 元のデータセットを動的に刈り取ることにより, コントリビューション評価プロセスの高速化を図る。
  論文  参考訳（メタデータ） (2024-10-19T13:01:44Z)
• CoAst: Validation-Free Contribution Assessment for Federated Learning based on Cross-Round Valuation [10.579048525756797]
  CoAstは、バリデーションデータにアクセスせずにコントリビューションを評価するための実用的な方法である。 CoAstは、既存のバリデーションベースのメソッドと同等の信頼性を持ち、既存のバリデーションフリーメソッドより優れている。
  論文  参考訳（メタデータ） (2024-09-04T07:46:28Z)
• Multi-Agent Reinforcement Learning from Human Feedback: Data Coverage and Algorithmic Techniques [65.55451717632317]
  我々は,MARLHF(Multi-Agent Reinforcement Learning from Human Feedback)について検討し,理論的基礎と実証的検証の両方について検討した。 我々は,このタスクを,一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ均衡を識別するものとして定義する。 本研究は,MARLHFの多面的アプローチを基礎として,効果的な嗜好に基づくマルチエージェントシステムの実現を目指している。
  論文  参考訳（メタデータ） (2024-09-01T13:14:41Z)
• Redefining Contributions: Shapley-Driven Federated Learning [3.9539878659683363]
  フェデレーテッド・ラーニング(FL)は、機械学習において重要なアプローチとして登場した。 参加者が平等に、あるいは正直に貢献しない場合、グローバルなモデル収束を保証することは困難です。 本稿では,FLにおけるコントリビューションの詳細な評価のために,ShapFedと呼ばれる新しいコントリビューションアセスメントアセスメント手法を提案する。
  論文  参考訳（メタデータ） (2024-06-01T22:40:31Z)
• A Large-Scale Empirical Study on Improving the Fairness of Image Classification Models [22.522156479335706]
  本稿では,現在ある最先端の公正性向上技術の性能を比較するための,最初の大規模実証的研究を行う。 その結果,各手法の性能は,データセットや属性によって大きく異なることがわかった。 異なる公平度評価指標は、その異なる焦点のために、明らかに異なる評価結果をもたらす。
  論文  参考訳（メタデータ） (2024-01-08T06:53:33Z)
• Evaluating and Incentivizing Diverse Data Contributions in Collaborative Learning [89.21177894013225]
  フェデレートされた学習モデルがうまく機能するためには、多様で代表的なデータセットを持つことが不可欠である。 データの多様性を定量化するために用いられる統計的基準と、使用するフェデレート学習アルゴリズムの選択が、結果の平衡に有意な影響を及ぼすことを示す。 我々はこれを活用して、データ収集者がグローバルな人口を代表するデータに貢献することを奨励する、シンプルな最適なフェデレーション学習機構を設計する。
  論文  参考訳（メタデータ） (2023-06-08T23:38:25Z)
• Evaluation of Self-taught Learning-based Representations for Facial Emotion Recognition [62.30451764345482]
  この研究は、顔の感情認識のための自己学習の概念を通じて得られた教師なし表現を生成するための様々な戦略を記述する。 このアイデアは、オートエンコーダの初期化、アーキテクチャ、トレーニングデータを変化させることで、多様性を促進する補完的な表現を作ることである。 Jaffe と Cohn-Kanade のデータセットに対する残余のサブジェクトアウトプロトコルによる実験結果から,提案した多種多様な表現に基づく FER 手法が最先端のアプローチと好適に比較できることが示唆された。
  論文  参考訳（メタデータ） (2022-04-26T22:48:15Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Self-supervised Co-training for Video Representation Learning [103.69904379356413]
  実例に基づく情報ノイズコントラスト推定訓練に意味クラス正の付加を施すことの利点について検討する。 本稿では,インフォネッションNCEの損失を改善するための,自己指導型協調学習手法を提案する。 本研究では,2つの下流タスク(行動認識とビデオ検索)における学習表現の質を評価する。
  論文  参考訳（メタデータ） (2020-10-19T17:59:01Z)
• Spectrum-Guided Adversarial Disparity Learning [52.293230153385124]
  本稿では,新たなエンド・ツー・エンドの知識指向学習フレームワークを提案する。 2つの競合符号化分布を用いてクラス条件付きクラス内不一致を表現し、学習された不一致を識別することで精製された潜伏符号を学習する。 4つのHARベンチマークデータセットに対する実験により,提案手法の頑健性と,最先端の手法による一般化が実証された。
  論文  参考訳（メタデータ） (2020-07-14T05:46:27Z)

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。