論文の概要: Federated Granger Causality Learning for Interdependent Clients with State Space Representation

• arxiv url: http://arxiv.org/abs/2501.13890v1
• Date: Thu, 23 Jan 2025 18:04:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:59:19.403096
• Title: Federated Granger Causality Learning for Interdependent Clients with State Space Representation
• Title（参考訳）: 状態空間表現を持つ相互依存型クライアントに対するフェデレーション・グランガー因果学習
• Authors: Ayush Mohanty, Nazal Mohamed, Paritosh Ramanan, Nagi Gebraeel,
• Abstract要約: 我々は、グランガー因果関係を学習するための連合的なアプローチを開発する。 本稿では,サーバが学習したGranger因果関係情報を用いてクライアントモデルを拡張することを提案する。 また、フレームワークの集中的なオラクルモデルへの収束について研究する。
• 参考スコア（独自算出の注目度）: 0.6499759302108926
• License:
• Abstract: Advanced sensors and IoT devices have improved the monitoring and control of complex industrial enterprises. They have also created an interdependent fabric of geographically distributed process operations (clients) across these enterprises. Granger causality is an effective approach to detect and quantify interdependencies by examining how one client's state affects others over time. Understanding these interdependencies captures how localized events, such as faults and disruptions, can propagate throughout the system, possibly causing widespread operational impacts. However, the large volume and complexity of industrial data pose challenges in modeling these interdependencies. This paper develops a federated approach to learning Granger causality. We utilize a linear state space system framework that leverages low-dimensional state estimates to analyze interdependencies. This addresses bandwidth limitations and the computational burden commonly associated with centralized data processing. We propose augmenting the client models with the Granger causality information learned by the server through a Machine Learning (ML) function. We examine the co-dependence between the augmented client and server models and reformulate the framework as a standalone ML algorithm providing conditions for its sublinear and linear convergence rates. We also study the convergence of the framework to a centralized oracle model. Moreover, we include a differential privacy analysis to ensure data security while preserving causal insights. Using synthetic data, we conduct comprehensive experiments to demonstrate the robustness of our approach to perturbations in causality, the scalability to the size of communication, number of clients, and the dimensions of raw data. We also evaluate the performance on two real-world industrial control system datasets by reporting the volume of data saved by decentralization.
• Abstract（参考訳）: 高度なセンサーとIoTデバイスは、複雑な産業企業の監視と制御を改善した。 彼らはまた、これらの企業間で地理的に分散したプロセスオペレーション(クライアント)の相互依存的なファブリックを作成しました。 グランガー因果性(Granger causality)は、あるクライアントの状態が他のクライアントにどのように影響するかを調べることによって、相互依存を検出し、定量化する効果的なアプローチである。 これらの相互依存を理解することは、障害や破壊のような局所的な事象がシステム全体に伝播し、運用上の広範な影響を引き起こす可能性があることを捉える。 しかし、産業データの量と複雑さは、これらの相互依存をモデル化する上で問題となる。 本稿では,グラガー因果関係を学習するための連合的アプローチを開発する。 我々は,低次元状態推定を利用して相互依存性を解析する線形状態空間システムフレームワークを利用する。 これは帯域幅の制限と、集中型データ処理と関連した計算負担に対処する。 本稿では,機械学習(ML)関数を用いて学習したGranger因果関係情報を用いてクライアントモデルを拡張することを提案する。 本稿では,拡張クライアントモデルとサーバモデルとの相互依存を検証し,そのサブ線形および線形収束率の条件を提供するスタンドアロンMLアルゴリズムとしてフレームワークを再構成する。 また、フレームワークの集中的なオラクルモデルへの収束について研究する。 さらに、因果的な洞察を維持しながらデータセキュリティを確保するために、差分プライバシー分析を含む。 合成データを用いて、因果関係における摂動に対するアプローチの堅牢性、通信の規模へのスケーラビリティ、クライアント数、生データの次元を示す包括的な実験を行う。 また、分散化によって保存されるデータの量を報告することにより、2つの実世界の産業制御システムデータセットの性能を評価する。

関連論文リスト

• Modality Alignment Meets Federated Broadcasting [9.752555511824593]
  フェデレートラーニング(FL)は、ローカルデータを集中化せずに、分散エッジデバイス間でモデルをトレーニングすることで、データのプライバシを保護する強力なアプローチとして登場した。 本稿では,テキストエンコーダをサーバ上に配置し,画像エンコーダをローカルデバイス上で動作させる,モダリティアライメントを利用した新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:30:03Z)
• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Enhancing Federated Learning with Adaptive Differential Privacy and Priority-Based Aggregation [0.0]
  フェデレートラーニング(FL)は、ローカルデータセットに直接アクセスせずにグローバルモデルを開発する。 クライアントとサーバ間で転送されるモデル更新にアクセスすることが可能で、敵に機密性の高いローカル情報を公開する可能性がある。 微分プライバシー(DP)は、パラメータにノイズを加えることでこの問題に対処するための有望なアプローチを提供する。 本稿では、クライアントの相対的影響要因に基づいてノイズを注入し、パラメータを集約するパーソナライズされたDPフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-26T16:55:07Z)
• 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)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Federated Learning with Uncertainty-Based Client Clustering for Fleet-Wide Fault Diagnosis [5.684489493030555]
  フェデレートラーニングは、複数のオペレータのデータセットを活用して分散化されたアセット障害診断モデルをトレーニングする、有望なソリューションとして登場した。 本稿では、データセットの類似性に基づいて、クライアントをフェデレーション用にクラスタリングする新しいクラスタリングベースのFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T04:23:59Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
  Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。 このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
  論文  参考訳（メタデータ） (2022-02-17T02:01:37Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Graph-based Incident Aggregation for Large-Scale Online Service Systems [33.70557954446136]
  本稿では,クラウド障害のカスケードグラフ上でのグラフ表現学習に基づくインシデント集約フレームワークGRLIAを提案する。 表現ベクトルは、一意のインシデントに対して、教師なしかつ統一された方法で学習され、トポロジ的および時間的相関を同時に符号化することができる。 提案フレームワークは,Huawei Cloudの大規模オンラインサービスシステムから収集した実世界のインシデントデータを用いて評価する。
  論文  参考訳（メタデータ） (2021-08-27T08:48:55Z)

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。