論文の概要: A Two-Stage Federated Learning Approach for Industrial Prognostics Using Large-Scale High-Dimensional Signals

• arxiv url: http://arxiv.org/abs/2410.11101v1
• Date: Mon, 14 Oct 2024 21:26:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:03:25.851983
• Title: A Two-Stage Federated Learning Approach for Industrial Prognostics Using Large-Scale High-Dimensional Signals
• Title（参考訳）: 大規模高次元信号を用いた産業診断のための2段階フェデレーション学習手法
• Authors: Yuqi Su, Xiaolei Fang,
• Abstract要約: 産業統計学は、アセットからの高次元劣化信号を利用して、その故障時間を予測するデータ駆動手法を開発することを目的としている。 実際には、個々の組織は信頼できる予測モデルを独立して訓練するのに十分なデータを持っていないことが多い。 本稿では,複数の組織が共同で予後モデルを訓練できる統計的学習に基づくフェデレーションモデルを提案する。
• 参考スコア（独自算出の注目度）: 1.2277343096128712
• License:
• Abstract: Industrial prognostics aims to develop data-driven methods that leverage high-dimensional degradation signals from assets to predict their failure times. The success of these models largely depends on the availability of substantial historical data for training. However, in practice, individual organizations often lack sufficient data to independently train reliable prognostic models, and privacy concerns prevent data sharing between organizations for collaborative model training. To overcome these challenges, this article proposes a statistical learning-based federated model that enables multiple organizations to jointly train a prognostic model while keeping their data local and secure. The proposed approach involves two key stages: federated dimension reduction and federated (log)-location-scale regression. In the first stage, we develop a federated randomized singular value decomposition algorithm for multivariate functional principal component analysis, which efficiently reduces the dimensionality of degradation signals while maintaining data privacy. The second stage proposes a federated parameter estimation algorithm for (log)-location-scale regression, allowing organizations to collaboratively estimate failure time distributions without sharing raw data. The proposed approach addresses the limitations of existing federated prognostic methods by using statistical learning techniques that perform well with smaller datasets and provide comprehensive failure time distributions. The effectiveness and practicality of the proposed model are validated using simulated data and a dataset from the NASA repository.
• Abstract（参考訳）: 産業統計学は、アセットからの高次元劣化信号を利用して、その故障時間を予測するデータ駆動手法を開発することを目的としている。 これらのモデルの成功は、トレーニングのためのかなりの歴史的データが利用可能であることに大きく依存している。 しかし、実際には、個々の組織は信頼性の高い予測モデルを独立してトレーニングするための十分なデータを持っておらず、プライバシに関する懸念は、協力的なモデルトレーニングのために組織間でのデータ共有を妨げている。 これらの課題を克服するために,本稿では,複数の組織がデータをローカルかつセキュアにしながら,共同で予後モデルをトレーニングすることのできる,統計的学習に基づくフェデレーションモデルを提案する。 提案手法は,フェデレーション次元の縮小とフェデレーション(log)-ロケーションスケール回帰という2つの重要な段階を含む。 第1段階では,多変量機能主成分分析のためのランダム化特異値分解アルゴリズムを開発し,データのプライバシを維持しつつ,劣化信号の次元を効率的に削減する。 第2段階では、(log)-location-scale回帰のためのフェデレーションパラメータ推定アルゴリズムを提案し、生データを共有することなく、組織が協調して障害時間分布を推定できるようにする。 提案手法は,より小さなデータセットで良好に動作し,包括的な故障時間分布を提供する統計的学習手法を用いて,既存のフェデレーション予測手法の限界に対処する。 シミュレーションデータとNASAリポジトリからのデータセットを用いて,提案モデルの有効性と実用性を検証した。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• 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)
• A Federated Data Fusion-Based Prognostic Model for Applications with Multi-Stream Incomplete Signals [1.2277343096128712]
  本稿では、複数のユーザが共同で障害時間予測モデルを構築することができるフェデレーション予測モデルを提案する。 数値解析により,提案モデルの性能は古典的非フェデレーション予測モデルと同一であることが示唆された。
  論文  参考訳（メタデータ） (2023-11-13T17:08:34Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• 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)
• Privacy-preserving Logistic Regression with Secret Sharing [0.0]
  Newton-Raphson法を用いて秘密共有型プライバシー保護ロジスティック回帰プロトコルを提案する。 提案手法は,複数ソースからのロジスティック回帰を安全にトレーニングするために,大規模なデータセットを処理可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-14T14:53:50Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• Stratified cross-validation for unbiased and privacy-preserving federated learning [0.0]
  本稿では、重複レコードの繰り返し問題に焦点をあて、もし適切に扱わなければ、モデルの性能を過度に最適化的に見積もる可能性がある。 本稿では,階層化手法を活用して,フェデレート学習環境におけるデータ漏洩を防止する検証手法である階層化クロスバリデーションを紹介し,議論する。
  論文  参考訳（メタデータ） (2020-01-22T15:49:34Z)

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。