論文の概要: FedGES: A Federated Learning Approach for BN Structure Learning

• arxiv url: http://arxiv.org/abs/2502.01538v1
• Date: Mon, 03 Feb 2025 17:16:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:57:51.959067
• Title: FedGES: A Federated Learning Approach for BN Structure Learning
• Title（参考訳）: FedGES:BN構造学習のためのフェデレートラーニングアプローチ
• Authors: Pablo Torrijos, José A. Gámez, José M. Puerta,
• Abstract要約: 本研究は,分散環境におけるBN構造学習に適した新しいフェデレーション学習手法であるフェデレーションGES(FedGES)を紹介する。 FedGESは、パラメータやデータではなく、進化するネットワーク構造のみを交換することによって、プライバシとセキュリティの問題に固有の対処を行う。
• 参考スコア（独自算出の注目度）: 0.7182449176083623
• License:
• Abstract: Bayesian Network (BN) structure learning traditionally centralizes data, raising privacy concerns when data is distributed across multiple entities. This research introduces Federated GES (FedGES), a novel Federated Learning approach tailored for BN structure learning in decentralized settings using the Greedy Equivalence Search (GES) algorithm. FedGES uniquely addresses privacy and security challenges by exchanging only evolving network structures, not parameters or data. It realizes collaborative model development, using structural fusion to combine the limited models generated by each client in successive iterations. A controlled structural fusion is also proposed to enhance client consensus when adding any edge. Experimental results on various BNs from {\sf bnlearn}'s BN Repository validate the effectiveness of FedGES, particularly in high-dimensional (a large number of variables) and sparse data scenarios, offering a practical and privacy-preserving solution for real-world BN structure learning.
• Abstract（参考訳）: ベイジアンネットワーク(BN)構造学習は伝統的にデータを集中させ、複数のエンティティに分散したデータをプライバシ上の懸念を提起する。 本研究は、Greedy Equivalence Search (GES)アルゴリズムを用いて、分散環境でBN構造学習に適した新しいフェデレート学習手法であるフェデレーションGES(FedGES)を紹介する。 FedGESは、パラメータやデータではなく、進化するネットワーク構造のみを交換することによって、プライバシとセキュリティの問題に固有の対処を行う。 構造的融合を用いて、各クライアントが連続的に生成する限定モデルを組み合わせることで、協調的なモデル開発を実現する。 エッジを追加する際のクライアントのコンセンサスを高めるために、制御された構造融合も提案されている。 {\sf bnlearn} の BN Repository から得られた様々な BN に関する実験結果は、特に高次元(多数の変数)とスパースデータシナリオにおいて、FedGES の有効性を検証し、実世界の BN 構造学習のための実用的でプライバシー保護のソリューションを提供する。

関連論文リスト

• Optimizing Federated Graph Learning with Inherent Structural Knowledge and Dual-Densely Connected GNNs [6.185201353691423]
  Federated Graph Learning (FGL)は、クライアントがプライベートデータを公開することなく、強力なグラフニューラルネットワーク(GNN)を分散的にトレーニングすることを可能にする。 既存の手法は、グラフデータに固有の構造的知識を見落としているか、リソース要求を大幅に増加させるコストでそれをキャプチャする。 構造的知識の利用効率を最適化する新しいFGLフレームワークであるFedDenseを提案する。
  論文  参考訳（メタデータ） (2024-08-21T14:37:50Z)
• Decoupled Subgraph Federated Learning [57.588938805581044]
  複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。 我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。 半教師付きノード分類のための6つのデータセットを用いて実験結果を用いてFedStructの有効性を検証する。
  論文  参考訳（メタデータ） (2024-02-29T13:47:23Z)
• 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)
• Factor-Assisted Federated Learning for Personalized Optimization with Heterogeneous Data [6.024145412139383]
  フェデレートラーニング(Federated Learning)は、データプライバシ保護を目的とした、新興の分散機械学習フレームワークである。 異なるクライアントのデータには、共通の知識とパーソナライズされた知識の両方が含まれている。 我々は、FedSplitと呼ばれる異種データのための、新しい個人化されたフェデレーション学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2023-12-07T13:05:47Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• Federated Learning on Non-IID Graphs via Structural Knowledge Sharing [47.140441784462794]
  フェデレーショングラフ学習(FGL)により、クライアントはプライベートデータを共有せずに、分散型で強力なGNNモデルをトレーニングできる。 我々はFedStarというFGLフレームワークを提案し、グラフ間学習タスクの共通基盤構造情報を抽出し、共有する。 クロスデータセットとクロスドメインのFGL設定の両方に対して広範な実験を行い、FedStarの優位性を実証した。
  論文  参考訳（メタデータ） (2022-11-23T15:12:16Z)
• Towards Privacy-Aware Causal Structure Learning in Federated Setting [27.5652887311069]
  フェデレートされた環境におけるプライバシーに配慮した因果構造学習問題について検討する。 データを集中化せずにデータのプライバシを保存するための2つの新しい戦略を持つ新しいフェデレーションPC(FedPC)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-13T14:54:42Z)
• Personalization Improves Privacy-Accuracy Tradeoffs in Federated Optimization [57.98426940386627]
  局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。 合成および実世界のデータセットに関する実験により理論的結果について述べる。
  論文  参考訳（メタデータ） (2022-02-10T20:44:44Z)
• Towards Federated Bayesian Network Structure Learning with Continuous Optimization [14.779035801521717]
  本稿では,ベイズネットワークの構造を推定するクロスサイロ・フェデレーション学習手法を提案する。 本研究では,連続最適化に基づく分散構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-18T14:36:05Z)
• Federated Knowledge Graphs Embedding [50.35484170815679]
  本稿では,fkge(federated knowledge graphs embedded)という分散スケーラブル学習フレームワークを提案する。 FKGEは、知識グラフのペア間の逆生成を利用して、異なるドメインの同一の実体と関係を近接埋め込み空間に変換する。 トレーニングデータのプライバシーを保護するために、FKGEはさらにプライバシー保護ニューラルネットワーク構造を実装し、生データの漏洩を保証しません。
  論文  参考訳（メタデータ） (2021-05-17T05:30:41Z)

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。