論文の概要: Robust Federated Learning with Global Sensitivity Estimation for Financial Risk Management
- arxiv url: http://arxiv.org/abs/2502.17694v1
- Date: Mon, 24 Feb 2025 22:34:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-26 15:21:02.837602
- Title: Robust Federated Learning with Global Sensitivity Estimation for Financial Risk Management
- Title（参考訳）: 金融リスク管理のためのグローバル感性評価を用いたロバストフェデレーション学習
- Authors: Lei Zhao, Lin Cai, Wu-Sheng Lu,
- Abstract要約: 分散型金融システムでは、堅牢で効率的なフェデレートラーニング(FL)が、多様なクライアント環境を扱い、システム的リスクに対するレジリエンスを確保することを約束しています。
本稿では,Fral-CSE(Federated Risk-Aware Learning with Central Sensitivity Estimation)を提案する。
- 参考スコア（独自算出の注目度）: 8.593840398820971
- License:
- Abstract: In decentralized financial systems, robust and efficient Federated Learning (FL) is promising to handle diverse client environments and ensure resilience to systemic risks. We propose Federated Risk-Aware Learning with Central Sensitivity Estimation (FRAL-CSE), an innovative FL framework designed to enhance scalability, stability, and robustness in collaborative financial decision-making. The framework's core innovation lies in a central acceleration mechanism, guided by a quadratic sensitivity-based approximation of global model dynamics. By leveraging local sensitivity information derived from robust risk measurements, FRAL-CSE performs a curvature-informed global update that efficiently incorporates second-order information without requiring repeated local re-evaluations, thereby enhancing training efficiency and improving optimization stability. Additionally, distortion risk measures are embedded into the training objectives to capture tail risks and ensure robustness against extreme scenarios. Extensive experiments validate the effectiveness of FRAL-CSE in accelerating convergence and improving resilience across heterogeneous datasets compared to state-of-the-art baselines.
- Abstract（参考訳）: 分散型金融システムでは、堅牢で効率的なフェデレートラーニング(FL)が、多様なクライアント環境を扱い、システム的リスクに対するレジリエンスを確保することを約束しています。
本稿では,Fral-CSE(Federated Risk-Aware Learning with Central Sensitivity Estimation)を提案する。
このフレームワークの中核的な革新は、グローバルモデル力学の二次感度に基づく近似によって導かれる中心加速度機構にある。
頑健なリスク測定から得られた局所感度情報を活用することにより、FRAL-CSEは、局所的再評価を繰り返すことなく2次情報を効率的に組み込んだ曲率インフォームド・グローバルアップデートを行い、トレーニング効率を向上し、最適化安定性を向上させる。
さらに、歪みリスク対策をトレーニング目標に組み込んで、テールリスクを捕捉し、極端なシナリオに対して堅牢性を確保する。
集約的な実験により、FRAL-CSEの収束を加速し、異種データセット間のレジリエンスを向上させる効果が、最先端のベースラインと比較して検証された。
関連論文リスト
- Fragility-aware Classification for Understanding Risk and Improving Generalization [6.926253982569273]
リスク・リバースの観点から分類性能を評価する新しい指標であるFragility Index(FI)を導入する。
我々は, クロスエントロピー損失, ヒンジ型損失, リプシッツ損失の正確な修正を導き, 深層学習モデルへのアプローチを拡張した。
論文 参考訳（メタデータ） (2025-02-18T16:44:03Z) - Utilizing Effective Dynamic Graph Learning to Shield Financial Stability from Risk Propagation [10.464514412664862]
金融リスクは、密結合した時間次元と空間次元の両方にわたって伝播することができる。
ラベルのないデータに埋め込まれたリスクは、しばしば検出するのが困難である。
3つの重要なイノベーションを持つ新しいアプローチであるGraphShieldを紹介します。
論文 参考訳（メタデータ） (2025-02-18T08:09:05Z) - Risk-Averse Certification of Bayesian Neural Networks [70.44969603471903]
本稿では,RAC-BNNと呼ばれるベイズニューラルネットワークに対するリスク・アバース認証フレームワークを提案する。
提案手法はサンプリングと最適化を利用して,BNNの出力集合の音響近似を計算する。
我々は,RAC-BNNを回帰および分類ベンチマークで検証し,その性能を最先端の手法と比較した。
論文 参考訳（メタデータ） (2024-11-29T14:22:51Z) - Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。
通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。
RFRecFの強靭性は、多様なベースラインに比べて優れている。
論文 参考訳（メタデータ） (2024-11-03T12:10:20Z) - Enhancing Security in Federated Learning through Adaptive
Consensus-Based Model Update Validation [2.28438857884398]
本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。
本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。
以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
論文 参考訳（メタデータ） (2024-03-05T20:54:56Z) - Provable Risk-Sensitive Distributional Reinforcement Learning with
General Function Approximation [54.61816424792866]
本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。
モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-02-28T08:43:18Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Enabling Quartile-based Estimated-Mean Gradient Aggregation As Baseline
for Federated Image Classifications [5.5099914877576985]
Federated Learning(FL)は、機密データを保護し、モデルパフォーマンスを改善しながら、分散コラボレーションを可能にすることによって、ディープニューラルネットワークのトレーニング方法に革命をもたらした。
本稿では,これらの課題に対処するだけでなく,FLシステムにおける高度な集約技術に対して$mathsfbaseline$として基本的な参照ポイントを提供する,Estimated Mean Aggregation (EMA) という革新的なソリューションを紹介する。
論文 参考訳（メタデータ） (2023-09-21T17:17:28Z) - Mind the Uncertainty: Risk-Aware and Actively Exploring Model-Based
Reinforcement Learning [26.497229327357935]
トラジェクティブサンプリングを用いたモデルベース強化学習におけるリスク管理手法を提案する。
実験により、不確実性の分離は、不確実かつ安全クリティカルな制御環境において、データ駆動型アプローチとうまく連携するために不可欠であることが示されている。
論文 参考訳（メタデータ） (2023-09-11T16:10:58Z) - Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。
我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。
提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
論文 参考訳（メタデータ） (2023-01-30T11:46:34Z) - Learning Bounds for Risk-sensitive Learning [86.50262971918276]
リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。
最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
論文 参考訳（メタデータ） (2020-06-15T05:25:02Z)
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。