論文の概要: DAMe: Personalized Federated Social Event Detection with Dual Aggregation Mechanism

• arxiv url: http://arxiv.org/abs/2409.00614v1
• Date: Sun, 1 Sep 2024 04:56:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 13:27:03.932094
• Title: DAMe: Personalized Federated Social Event Detection with Dual Aggregation Mechanism
• Title（参考訳）: DAMe:デュアルアグリゲーション機構を用いた個人化ソーシャルイベント検出
• Authors: Xiaoyan Yu, Yifan Wei, Pu Li, Shuaishuai Zhou, Hao Peng, Li Sun, Liehuang Zhu, Philip S. Yu,
• Abstract要約: 本稿では,ソーシャルイベント検出のための二重集約機構,すなわちDAMeを用いた個人化学習フレームワークを提案する。 クライアントの好みに関する最大限の外部知識を提供するため,グローバルアグリゲーション戦略を導入する。 さらに、ローカルなオーバーフィッティングやクライアントドリフトを防止するために、グローバルなローカルイベント中心の制約を組み込んでいます。
• 参考スコア（独自算出の注目度）: 55.45581907514175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training social event detection models through federated learning (FedSED) aims to improve participants' performance on the task. However, existing federated learning paradigms are inadequate for achieving FedSED's objective and exhibit limitations in handling the inherent heterogeneity in social data. This paper proposes a personalized federated learning framework with a dual aggregation mechanism for social event detection, namely DAMe. We present a novel local aggregation strategy utilizing Bayesian optimization to incorporate global knowledge while retaining local characteristics. Moreover, we introduce a global aggregation strategy to provide clients with maximum external knowledge of their preferences. In addition, we incorporate a global-local event-centric constraint to prevent local overfitting and ``client-drift''. Experiments within a realistic simulation of a natural federated setting, utilizing six social event datasets spanning six languages and two social media platforms, along with an ablation study, have demonstrated the effectiveness of the proposed framework. Further robustness analyses have shown that DAMe is resistant to injection attacks.
• Abstract（参考訳）: フェデレートラーニング(FedSED)によるソーシャルイベント検出モデルの訓練は,課題における参加者のパフォーマンス向上を目的としている。 しかし、既存のフェデレート学習パラダイムは、FedSEDの目的達成に不適であり、社会データに固有の不均一性を扱う際の限界を示す。 本稿では,ソーシャルイベント検出のための二重集約機構,すなわちDAMeを用いた個人化学習フレームワークを提案する。 本研究では,局所的な特徴を維持しつつ,グローバルな知識を取り入れたベイズ最適化を利用した新たな局所集約戦略を提案する。 さらに,クライアントの好みに関する最大限の外部知識を提供するグローバルアグリゲーション戦略を導入する。 さらに、局所的な過度なオーバーフィッティングや‘client-drift’を防ぐために、グローバルなイベント中心の制約を組み込んだ。 6つの言語と2つのソーシャルメディアプラットフォームにまたがる6つのソーシャルイベントデータセットを用いて、自然連合環境の現実的なシミュレーション実験を行い、このフレームワークの有効性を実証した。 さらにロバストな分析により、DAMeは注射攻撃に耐性があることが示されている。

関連論文リスト

• MH-pFLGB: Model Heterogeneous personalized Federated Learning via Global Bypass for Medical Image Analysis [14.298460846515969]
  我々は,公共データセットへの依存を緩和し,非IIDデータ分散の複雑さをナビゲートするために,グローバルバイパス戦略を利用する新しいアプローチであるMH-pFLGBを導入する。 本手法は,クライアント間で情報を共有するグローバルバイパスモデルを統合することで,従来のフェデレーション学習を強化し,各クライアントの性能を高めるネットワークの一部として機能する。
  論文  参考訳（メタデータ） (2024-06-29T15:38:37Z)
• Worldwide Federated Training of Language Models [4.259910812836157]
  フェデレーションのフェデレーションに基づく世界規模のフェデレーション言語モデルトレーニング(Worldwide Federated Language Model Training, WorldLM)システムを提案する。 我々はWorldLMが標準フェデレーションを最大1.91Times$で上回り、完全ローカルモデルのパーソナライズされたパフォーマンスにアプローチし、プライバシー強化技術の下でこれらのアドバンテージを維持することを示す。
  論文  参考訳（メタデータ） (2024-05-23T11:25:19Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Turning Privacy-preserving Mechanisms against Federated Learning [22.88443008209519]
  我々は、連邦学習のための最先端の防衛を無効化できる攻撃を設計する。 提案した攻撃には、2つの動作モードが含まれており、第1は収束抑制(逆モード)に焦点を当て、第2はグローバルフェデレーションモデル(バックドアモード)に誤評価インジェクションを構築することを目的としている。 実験の結果,バックドアモードで実施したテストの93%のケースにおいて,両モードにおける攻撃の有効性が示され,敵モードと完全有効バックドアの全テストにおいて平均60%のパフォーマンス低下が回復した。
  論文  参考訳（メタデータ） (2023-05-09T11:43:31Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Knowledge-Aware Federated Active Learning with Non-IID Data [75.98707107158175]
  本稿では,アノテーション予算に制限のあるグローバルモデルを効率的に学習するための,連合型アクティブラーニングパラダイムを提案する。 フェデレートされたアクティブラーニングが直面する主な課題は、サーバ上のグローバルモデルのアクティブサンプリング目標と、ローカルクライアントのアクティブサンプリング目標とのミスマッチである。 本稿では,KSAS (Knowledge-Aware Federated Active Learning) とKCFU (Knowledge-Compensatory Federated Update) を組み合わせた,知識対応型アクティブ・ラーニング(KAFAL)を提案する。
  論文  参考訳（メタデータ） (2022-11-24T13:08:43Z)
• FedSA: Accelerating Intrusion Detection in Collaborative Environments with Federated Simulated Annealing [2.7011265453906983]
  侵入検知システム(IDS)における協調学習のソリューションとしてのフェデレーション学習 本稿では,フェデレーテッド・シミュレート・アニーリング(FedSA)メタヒューリスティック(メタヒューリスティック)を提案し,フェデレーテッド・ラーニングにおける各アグリゲーションラウンドにおける参加者のハイパーパラメータとサブセットを選択する。 この提案では、従来のアグリゲーションアプローチよりも攻撃検出の精度が約97%向上するために、アグリゲーションラウンドを最大50%削減する必要がある。
  論文  参考訳（メタデータ） (2022-05-23T14:27:56Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)

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。