Fugu-MT 論文翻訳(概要): Federated t-SNE and UMAP for Distributed Data Visualization

論文の概要: Federated t-SNE and UMAP for Distributed Data Visualization

arxiv url: http://arxiv.org/abs/2412.13495v1
Date: Wed, 18 Dec 2024 04:33:11 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-19 16:48:55.961082
Title: Federated t-SNE and UMAP for Distributed Data Visualization
Title（参考訳）: 分散データ可視化のためのフェデレーションt-SNEとUMAP
Authors: Dong Qiao, Xinxian Ma, Jicong Fan,
Abstract要約: ビッグデータは、複数のデータセンタに分散して、セキュリティやプライバシの懸念にさらされることが多い。この研究は、クライアント間でデータを交換したり、中央サーバにデータを送信したりすることなく、高次元のデータ可視化を提供するFed-tSNEとFed-UMAPを提案する。
参考スコア（独自算出の注目度）: 20.58663155344881
License:
Abstract: High-dimensional data visualization is crucial in the big data era and these techniques such as t-SNE and UMAP have been widely used in science and engineering. Big data, however, is often distributed across multiple data centers and subject to security and privacy concerns, which leads to difficulties for the standard algorithms of t-SNE and UMAP. To tackle the challenge, this work proposes Fed-tSNE and Fed-UMAP, which provide high-dimensional data visualization under the framework of federated learning, without exchanging data across clients or sending data to the central server. The main idea of Fed-tSNE and Fed-UMAP is implicitly learning the distribution information of data in a manner of federated learning and then estimating the global distance matrix for t-SNE and UMAP. To further enhance the protection of data privacy, we propose Fed-tSNE+ and Fed-UMAP+. We also extend our idea to federated spectral clustering, yielding algorithms of clustering distributed data. In addition to these new algorithms, we offer theoretical guarantees of optimization convergence, distance and similarity estimation, and differential privacy. Experiments on multiple datasets demonstrate that, compared to the original algorithms, the accuracy drops of our federated algorithms are tiny.
Abstract（参考訳）: 高次元データの可視化はビッグデータ時代において不可欠であり、t-SNEやUMAPといった技術は科学や工学で広く使われている。しかし、ビッグデータは複数のデータセンタに分散し、セキュリティやプライバシの懸念にさらされることが多いため、t-SNEとUMAPの標準的なアルゴリズムでは困難である。この課題に対処するために、クライアント間でデータを交換したり、中央サーバにデータを送信したりすることなく、フェデレートラーニングの枠組みの下で高次元データ可視化を提供するFed-tSNEとFed-UMAPを提案する。 Fed-tSNEとFed-UMAPの主な考え方は、データをフェデレート学習の方法で暗黙的に学習し、t-SNEとUMAPのグローバル距離行列を推定することである。データプライバシーの保護をさらに強化するため,Fed-tSNE+とFed-UMAP+を提案する。また、我々のアイデアをフェデレートされたスペクトルクラスタリングに拡張し、分散データをクラスタリングするアルゴリズムを出力します。これらのアルゴリズムに加えて、最適化収束、距離と類似度の推定、微分プライバシーの理論的保証を提供する。複数のデータセットの実験では、元のアルゴリズムと比較して、フェデレートされたアルゴリズムの精度の低下は小さいことが示されています。

関連論文リスト

An Empirical Study of Efficiency and Privacy of Federated Learning Algorithms [2.994794762377111]
今日の世界では、IoTネットワークの急速な拡大とスマートデバイスの普及により、相当量の異種データが生成される。このデータを効果的に扱うためには、プライバシーと効率の両立を保証するために高度なデータ処理技術が必要である。フェデレーション学習は、モデルをローカルにトレーニングし、データをプライバシを保存するためにサーバに集約する分散学習手法として登場した。
論文参考訳（メタデータ） (2023-12-24T00:13:41Z)
Federated Learning Empowered by Generative Content [55.576885852501775]
フェデレートラーニング(FL)は、プライバシ保護方法でモデルのトレーニングに分散プライベートデータを活用可能にする。本稿では,FedGCと呼ばれる新しいFLフレームワークを提案する。我々は、さまざまなベースライン、データセット、シナリオ、モダリティをカバーする、FedGCに関する体系的な実証的研究を行う。
論文参考訳（メタデータ） (2023-12-10T07:38:56Z)
Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。 FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
論文参考訳（メタデータ） (2023-03-31T10:13:01Z)
Fed-TDA: Federated Tabular Data Augmentation on Non-IID Data [7.5178093283247165]
非独立で同一に分散した(非IID)データは、連邦学習(FL)における鍵となる課題である非IID問題を解決するためのフェデレーション生成モデルや生データ共有戦略に基づく既存のデータ拡張手法は、依然として性能の低下、プライバシー保護の懸念、通信オーバーヘッドの増大に悩まされている。簡単な統計データを用いてデータ拡張のためのデータを合成するFed-TDAを提案する。
論文参考訳（メタデータ） (2022-11-22T02:17:15Z)
Mitigating Data Heterogeneity in Federated Learning with Data Augmentation [26.226057709504733]
Federated Learning(FL)は、集中型モデルのトレーニングを可能にするフレームワークである。主な障害の1つは、データ不均一性、すなわち、各クライアントが独立に独立に分散した(非IID)データを持っていることである。最近の証拠は、データ拡張が同等またはそれ以上のパフォーマンスを誘導できることを示している。
論文参考訳（メタデータ） (2022-06-20T19:47:43Z)
Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文参考訳（メタデータ） (2021-11-28T19:03:39Z)
FedMix: Approximation of Mixup under Mean Augmented Federated Learning [60.503258658382]
フェデレートラーニング(FL)は、エッジデバイスが各デバイス内でデータを直接共有することなく、モデルを集合的に学習することを可能にする。現在の最先端アルゴリズムは、クライアント間のローカルデータの均一性が増大するにつれて性能劣化に悩まされる。我々はFedMixという名の新しい拡張アルゴリズムを提案し、これは驚くべきが単純なデータ拡張手法であるMixupにインスパイアされている。
論文参考訳（メタデータ） (2021-07-01T06:14:51Z)
Improving Federated Relational Data Modeling via Basis Alignment and Weight Penalty [18.096788806121754]
近年,フェデレートラーニング(FL)が注目されている。知識グラフ(KG)上でのフェデレーションモデリングを行うグラフニューラルネットワークアルゴリズムの修正版を提案する。我々は,1) クライアント上でのパーソナライズのための最適輸送(OT)と,2) 収束を高速化するための重み制約を備えた新しい最適化アルゴリズムであるFedAlignを提案する。実験の結果,提案手法はFedAVGやFedProxといった最先端のFL法よりも優れており,収束性が高いことがわかった。
論文参考訳（メタデータ） (2020-11-23T12:52:18Z)
Privacy-Preserving Asynchronous Federated Learning Algorithms for Multi-Party Vertically Collaborative Learning [151.47900584193025]
本稿では,非同期フェデレーションSGD(AFSGD-VP)アルゴリズムとその垂直分割データ上でのSVRGおよびSAGA変種を提案する。我々の知る限り、AFSGD-VPとそのSVRGおよびSAGAの変種は、垂直に分割されたデータのための最初の非同期フェデレーション学習アルゴリズムである。
論文参考訳（メタデータ） (2020-08-14T08:08:15Z)
Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data [93.76907759950608]
本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
論文参考訳（メタデータ） (2020-08-14T05:46:56Z)
Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。