論文の概要: Federated Learning for Discrete Optimal Transport with Large Population under Incomplete Information

• arxiv url: http://arxiv.org/abs/2411.07841v1
• Date: Tue, 12 Nov 2024 14:46:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:21:34.292040
• Title: Federated Learning for Discrete Optimal Transport with Large Population under Incomplete Information
• Title（参考訳）: 不完全情報による人口増加を伴う離散的最適輸送のためのフェデレーション学習
• Authors: Navpreet Kaur, Juntao Chen, Yingdong Lu,
• Abstract要約: 大規模で異質なターゲット集団を扱うために、離散的な最適輸送フレームワークを導入する。 ターゲットの型分布が分かっているシナリオと、それが不明なシナリオの2つに対処する。 未知の分布の場合、最適輸送方式の効率的な計算を可能にするフェデレート学習ベースのアプローチを開発する。
• 参考スコア（独自算出の注目度）: 7.004936173632888
• License:
• Abstract: Optimal transport is a powerful framework for the efficient allocation of resources between sources and targets. However, traditional models often struggle to scale effectively in the presence of large and heterogeneous populations. In this work, we introduce a discrete optimal transport framework designed to handle large-scale, heterogeneous target populations, characterized by type distributions. We address two scenarios: one where the type distribution of targets is known, and one where it is unknown. For the known distribution, we propose a fully distributed algorithm to achieve optimal resource allocation. In the case of unknown distribution, we develop a federated learning-based approach that enables efficient computation of the optimal transport scheme while preserving privacy. Case studies are provided to evaluate the performance of our learning algorithm.
• Abstract（参考訳）: 最適なトランスポートは、ソースとターゲット間のリソースの効率的な割り当てのための強力なフレームワークである。 しかし、伝統的なモデルは大規模で異質な集団の存在下で効果的にスケールするのに苦労することが多い。 本研究では,大規模で異種なターゲット集団を扱うために,タイプ分布を特徴とする離散的最適輸送フレームワークを提案する。 ターゲットの型分布が分かっているシナリオと、それが不明なシナリオの2つに対処する。 既知分布に対して,最適な資源配分を実現するための完全分散アルゴリズムを提案する。 未知の分布の場合,プライバシを保ちながら最適な輸送方式を効率的に計算できるフェデレート学習ベースのアプローチを開発する。 本研究は,学習アルゴリズムの性能を評価するためのケーススタディである。

関連論文リスト

• Estimating Barycenters of Distributions with Neural Optimal Transport [93.28746685008093]
  本稿では,Wasserstein Barycenter問題を解くための新しいスケーラブルなアプローチを提案する。 我々の手法は最近のNeural OTソルバをベースとしている。 また,提案手法の理論的誤差境界も確立する。
  論文  参考訳（メタデータ） (2024-02-06T09:17:07Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Distributionally Robust Machine Learning with Multi-source Data [6.383451076043423]
  対象分布のクラスに対する説明分散に関する逆報酬を最適化するために,群分布に頑健な予測モデルを導入する。 従来の経験的リスク最小化と比較して,提案した頑健な予測モデルでは,分布シフトを伴う対象集団の予測精度が向上する。 ランダムな森林とニューラルネットワークをベースラーニングアルゴリズムとして用いたシミュレーションおよび実データに対して,提案したグループ分散ロバストな手法の性能を示す。
  論文  参考訳（メタデータ） (2023-09-05T13:19:40Z)
• Scaff-PD: Communication Efficient Fair and Robust Federated Learning [92.61502701658732]
  Scaff-PDは、分散的堅牢なフェデレーション学習のための高速で通信効率のよいアルゴリズムである。 この結果から,Scaff-PDは資源制約や不均一な環境下でのフェデレーション学習において有望なアプローチであることが示唆された。
  論文  参考訳（メタデータ） (2023-07-25T10:04:33Z)
• Scalable Optimal Margin Distribution Machine [50.281535710689795]
  ODM(Optimal margin Distribution Machine)は、新しいマージン理論に根ざした新しい統計学習フレームワークである。 本稿では,従来のODMトレーニング手法に比べて10倍近い高速化を実現するスケーラブルなODMを提案する。
  論文  参考訳（メタデータ） (2023-05-08T16:34:04Z)
• An Optimal Transport Approach to Personalized Federated Learning [41.27887358989414]
  フェデレートラーニングは、多くの分散クライアントのローカルデータを使用してモデルをトレーニングすることを目的としている。 連合学習における重要な課題は、クライアントにまたがるデータサンプルが同一に分散されないことだ。 最適輸送(FedOT)に基づく新しい個人化フェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-06T10:05:49Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• Optimal transport framework for efficient prototype selection [21.620708125860066]
  最適なトランスポート(ot)ベースのフレームワークを開発し、与えられたターゲットデータセットを最もよく表現する有益な例を選定する。 目的関数は部分モジュラリティの重要な特性を享受し、計算速度と決定論的近似保証を持つ並列化可能なグリーディ法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T10:50:14Z)
• Open Set Domain Adaptation using Optimal Transport [8.076841611508486]
  本稿では,ソース分布からターゲット分布へのマッピングを行う2段階の最適輸送手法を提案する。 最初のステップは、最適なトランスポートプランを使用して、これらの新しいクラスから発行されたサンプルを拒否することを目的としている。 2番目のステップは、最適な輸送問題として、目標(クラス比)シフトをまだ解決する。
  論文  参考訳（メタデータ） (2020-10-02T15:20:05Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Multi-source Domain Adaptation via Weighted Joint Distributions Optimal Transport [35.37752209765114]
  未ラベルのターゲットデータセットに対するドメイン適応に対する新しいアプローチを提案する。 我々は,対象タスクの重み付けを手元に調整することで,ソース分布の多様性を利用する。 Weighted Joint Distribution Optimal Transport (WJDOT) と名付けられた本手法は,ソースとターゲットの分布の最適輸送に基づくアライメントを同時に見つけることを目的としている。
  論文  参考訳（メタデータ） (2020-06-23T12:33:30Z)

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。