論文の概要: VFL-RPS: Relevant Participant Selection in Vertical Federated Learning

• arxiv url: http://arxiv.org/abs/2502.14375v1
• Date: Thu, 20 Feb 2025 09:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 17:44:21.399905
• Title: VFL-RPS: Relevant Participant Selection in Vertical Federated Learning
• Title（参考訳）: VFL-RPS:垂直的フェデレーション学習における関連参加者選択
• Authors: Afsana Khan, Marijn ten Thij, Guangzhi Tang, Anna Wilbik,
• Abstract要約: フェデレートラーニング(FL)は、異なるパーティ間のコラボレーションを可能にすると同時に、これらのパーティ間のデータが共有されないことを保証する。 本稿では,VFLにおける参加者選択のための新しい手法であるVFL-RPSを提案する。 提案手法は,VFLにおける既存の参加者選択方法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.06181089784338582
• License:
• Abstract: Federated Learning (FL) allows collaboration between different parties, while ensuring that the data across these parties is not shared. However, not every collaboration is helpful in terms of the resulting model performance. Therefore, it is an important challenge to select the correct participants in a collaboration. As it currently stands, most of the efforts in participant selection in the literature have focused on Horizontal Federated Learning (HFL), which assumes that all features are the same across all participants, disregarding the possibility of different features across participants which is captured in Vertical Federated Learning (VFL). To close this gap in the literature, we propose a novel method VFL-RPS for participant selection in VFL, as a pre-training step. We have tested our method on several data sets performing both regression and classification tasks, showing that our method leads to comparable results as using all data by only selecting a few participants. In addition, we show that our method outperforms existing methods for participant selection in VFL.
• Abstract（参考訳）: フェデレートラーニング(FL)は、異なるパーティ間のコラボレーションを可能にすると同時に、これらのパーティ間のデータが共有されないことを保証する。 しかしながら、結果のモデルパフォーマンスの観点から、すべてのコラボレーションが役に立つわけではない。 したがって、コラボレーションにおいて正しい参加者を選択することは重要な課題である。 現在、文献における参加者選択の取り組みの多くは、すべての特徴がすべての参加者で同じであると考え、垂直的フェデレートラーニング(VFL)でキャプチャされる参加者間で異なる特徴の可能性を無視して、水平的フェデレーションラーニング(HFL)に焦点を当てている。 文献におけるこのギャップを埋めるため,VFLにおける参加者選択のための新しい手法であるVFL-RPSを事前学習ステップとして提案する。 回帰処理と分類処理の両方を実行する複数のデータセットで本手法を検証したところ,本手法は,少数の参加者のみを選択することで,全データと同等の結果が得られることがわかった。 さらに,本手法は,VFLにおける既存の参加者選択方法よりも優れていることを示す。

関連論文リスト

• Towards Active Participant Centric Vertical Federated Learning: Some Representations May Be All You Need [0.4711628883579317]
  本研究は, VFL, Active Participant Centric VFL (APC-VFL) に対する新しいアプローチを紹介する。 APC-VFLは、参加者間のデータサンプルがトレーニング時に部分的に整列している場合のシナリオで優れている。 これは、F1、精度、通信コストの点で、一般的な3つのVFLデータセットで、他のVFLメソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-10-23T08:07:00Z)
• Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey [67.48187503803847]
  Vertical Federated Learning(VFL)は、プライバシ保護のための分散学習パラダイムである。 近年の研究では、VFLの様々な課題に対処する有望な成果が示されている。 この調査は、最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2024-05-25T16:05:06Z)
• Vertical Federated Learning Hybrid Local Pre-training [4.31644387824845]
  垂直フェデレート学習(VFL)のための新しいVFLハイブリッド局所事前学習(VFLHLP)手法を提案する。 VFLHLPはまず、参加者のローカルデータに基づいて、ローカルネットワークを事前訓練する。 そして、これらの事前学習ネットワークを使用して、ラベル付きパーティのサブモデルを調整するか、あるいは、アライメントされたデータ上で下流のフェデレーション学習中に、他のパーティの表現学習を強化する。
  論文  参考訳（メタデータ） (2024-05-20T08:57:39Z)
• DPP-based Client Selection for Federated Learning with Non-IID Data [97.1195165400568]
  本稿では,統合学習(FL)のコミュニケーションボトルネックに対処するクライアント選択(CS)手法を提案する。 まず、FLにおけるCSの効果を分析し、各学習ラウンドにおけるトレーニングデータセットの多様化に参加者を適切に選択することで、FLトレーニングを加速させることができることを示す。 我々は、データプロファイリングと決定点プロセス(DPP)サンプリング技術を活用し、DPPに基づく参加者選択(FL-DP$3$S)によるフェデレートラーニング(Federated Learning)と呼ばれるアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-03-30T13:14:54Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• A Survey on Participant Selection for Federated Learning in Mobile Networks [47.88372677863646]
  Federated Learning(FL)は、プライベートデータセットをプライバシ保護の方法で使用する、効率的な分散機械学習パラダイムである。 モバイルネットワークにおける通信帯域が限られており、不安定なデバイスが利用できるため、各ラウンドで選択できる端末はごくわずかである。
  論文  参考訳（メタデータ） (2022-07-08T04:22:48Z)
• Factorized-FL: Agnostic Personalized Federated Learning with Kernel Factorization & Similarity Matching [70.95184015412798]
  現実世界のフェデレートされた学習シナリオでは、参加者は他のクライアントのものと互換性のない、独自のパーソナライズされたラベルを持つことができる。 本研究では,ラベル・タスク・ヘテロジニアス・フェデレーション・ラーニング・セッティングに効果的に取り組むためのFacterized-FLを提案する。 本手法はラベルとドメインの不均一な設定の両方で広範に検証し、最先端の個人化フェデレーション学習法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-01T08:00:59Z)
• FedNLP: A Research Platform for Federated Learning in Natural Language Processing [55.01246123092445]
  NLPのフェデレーションラーニングのための研究プラットフォームであるFedNLPを紹介します。 FedNLPは、テキスト分類、シーケンスタグ付け、質問応答、Seq2seq生成、言語モデリングなど、NLPで一般的なタスクの定式化をサポートしている。 FedNLPによる予備実験では、分散型データセットと集中型データセットの学習には大きなパフォーマンスギャップが存在することが明らかになった。
  論文  参考訳（メタデータ） (2021-04-18T11:04:49Z)
• Multi-Participant Multi-Class Vertical Federated Learning [16.75182305714081]
  本稿では,多人数VFL問題に対する多人数多人数垂直フェデレート学習(MMVFL)フレームワークを提案する。 MMVFLは、所有者から他のVFL参加者へのラベルの共有をプライバシー保護の方法で行うことができる。 実世界のデータセットを用いた実験結果から,MMVFLは複数のVFL参加者間でラベル情報を効果的に共有し,既存手法のマルチクラス分類性能と一致させることができることがわかった。
  論文  参考訳（メタデータ） (2020-01-30T02:39:50Z)

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。