Fugu-MT 論文翻訳(概要): Federated Automated Feature Engineering

論文の概要: Federated Automated Feature Engineering

arxiv url: http://arxiv.org/abs/2412.04404v1
Date: Thu, 05 Dec 2024 18:23:44 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-06 14:39:19.315546
Title: Federated Automated Feature Engineering
Title（参考訳）: Federated Automated Feature Engineering
Authors: Tom Overman, Diego Klabjan,
Abstract要約: 水平・垂直・ハイブリッドFL設定のためのAutoFEアルゴリズムを導入する。フェデレートされたAutoFEの下流モデル性能は、データが中央に保持され、AutoFEが中央に実行される場合に類似していることを示す。
参考スコア（独自算出の注目度）: 11.955062839855334
License:
Abstract: Automated feature engineering (AutoFE) is used to automatically create new features from original features to improve predictive performance without needing significant human intervention and expertise. Many algorithms exist for AutoFE, but very few approaches exist for the federated learning (FL) setting where data is gathered across many clients and is not shared between clients or a central server. We introduce AutoFE algorithms for the horizontal, vertical, and hybrid FL settings, which differ in how the data is gathered across clients. To the best of our knowledge, we are the first to develop AutoFE algorithms for the horizontal and hybrid FL cases, and we show that the downstream model performance of federated AutoFE is similar to the case where data is held centrally and AutoFE is performed centrally.
Abstract（参考訳）: 自動機能エンジニアリング(AutoFE)は、人間の介入や専門知識を必要とせずに、オリジナルの機能から新機能を自動生成し、予測パフォーマンスを改善するために使用される。 AutoFEには多くのアルゴリズムが存在するが、多くのクライアントにまたがってデータが収集され、クライアントや中央サーバ間で共有されないフェデレートラーニング(FL)設定には、ほとんどアプローチがない。クライアント間でデータを収集する方法が異なる水平,垂直,ハイブリッドのFL設定のためのAutoFEアルゴリズムを導入する。我々の知る限り、我々は、水平およびハイブリッドFLケースのためのAutoFEアルゴリズムを最初に開発し、フェデレートされたAutoFEの下流モデル性能は、データが中央に保持され、AutoFEが中央に実行される場合と似ていることを示す。

関連論文リスト

Hyper-parameter Optimization for Federated Learning with Step-wise Adaptive Mechanism [0.48342038441006796]
Federated Learning(FL)は、クライアントの生のデータセットを共有するのではなく、ローカルモデルパラメータを利用して機密情報を保護する分散学習アプローチである。本稿では、FL設定における2つの軽量ハイパー最適化(HPO)ツールであるRaytuneとOptunaの展開と統合について検討する。この目的のために、ローカルとグローバルの両方のフィードバック機構が統合され、検索空間が制限され、HPOプロセスが高速化される。
論文参考訳（メタデータ） (2024-11-19T05:49:00Z)
IIFE: Interaction Information Based Automated Feature Engineering [11.866061471514582]
我々は,どの特徴対が相乗効果を持つかを決定することに基づいて,新しいAutoFEアルゴリズム,IIFEを導入する。既存のAutoFEアルゴリズムを改善するために,インタラクション情報をどのように利用できるかを示す。
論文参考訳（メタデータ） (2024-09-07T00:34:26Z)
Automated Parking Planning with Vision-Based BEV Approach [10.936433798200907]
本稿では,A*アルゴリズムに基づく自動駐車アルゴリズムの改良,車両運動モデルの統合,機能最適化,双方向探索,ベジエ曲線最適化を提案する。従来のアルゴリズムと比較して、より困難な衝突リスクテストケースで計算時間を短縮し、快適なメトリクスのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2024-05-24T15:26:09Z)
AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文参考訳（メタデータ） (2024-03-26T04:27:56Z)
AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。手作り正則化技術を用いた頑健な微調整への最近のアプローチ我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
論文参考訳（メタデータ） (2024-01-18T18:58:49Z)
AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
AutoActはQAのための自動エージェント学習フレームワークである。大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
論文参考訳（メタデータ） (2024-01-10T16:57:24Z)
Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文参考訳（メタデータ） (2022-01-03T16:49:33Z)
DIFER: Differentiable Automated Feature Engineering [12.961270020632362]
機械学習の重要なステップである機能エンジニアリングは、生データから有用な機能を抽出し、データ品質を改善することを目的としている。連続ベクトル空間における微分可能自動特徴工学を実現するために,DIFERと呼ばれる効率的な勾配法を提案する。この結果から,DIFERは機械学習アルゴリズムの性能を著しく向上させ,現在のAutoFE手法よりも効率と性能の両面で優れていることを示す。
論文参考訳（メタデータ） (2020-10-17T12:55:45Z)
Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワークディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。 Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文参考訳（メタデータ） (2020-06-24T15:15:17Z)
AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。