論文の概要: FedMSGL: A Self-Expressive Hypergraph Based Federated Multi-View Learning

• arxiv url: http://arxiv.org/abs/2503.09643v1
• Date: Wed, 12 Mar 2025 05:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:10.767070
• Title: FedMSGL: A Self-Expressive Hypergraph Based Federated Multi-View Learning
• Title（参考訳）: FedMSGL: 自己表現型ハイパーグラフに基づくフェデレーション型マルチビュー学習
• Authors: Daoyuan Li, Zuyuan Yang, Shengli Xie,
• Abstract要約: 自己表現型ハイパーグラフに基づくフェデレーション・マルチビュー学習法(FedMSGL)を提案する。 提案手法は,局所学習における自己表現的特徴を利用して,潜在サンプル関係を持つ一様次元部分空間を学習する。 特徴次元の異なる多視点データセットによる実験により,提案手法の有効性が検証された。
• 参考スコア（独自算出の注目度）: 12.161006152509655
• License:
• Abstract: Federated learning is essential for enabling collaborative model training across decentralized data sources while preserving data privacy and security. This approach mitigates the risks associated with centralized data collection and addresses concerns related to data ownership and compliance. Despite significant advancements in federated learning algorithms that address communication bottlenecks and enhance privacy protection, existing works overlook the impact of differences in data feature dimensions, resulting in global models that disproportionately depend on participants with large feature dimensions. Additionally, current single-view federated learning methods fail to account for the unique characteristics of multi-view data, leading to suboptimal performance in processing such data. To address these issues, we propose a Self-expressive Hypergraph Based Federated Multi-view Learning method (FedMSGL). The proposed method leverages self-expressive character in the local training to learn uniform dimension subspace with latent sample relation. At the central side, an adaptive fusion technique is employed to generate the global model, while constructing a hypergraph from the learned global and view-specific subspace to capture intricate interconnections across views. Experiments on multi-view datasets with different feature dimensions validated the effectiveness of the proposed method.
• Abstract（参考訳）: フェデレーション学習は、データのプライバシとセキュリティを維持しながら、分散化されたデータソース間で協調的なモデルトレーニングを可能にするために不可欠である。 このアプローチは、集中型データ収集に関連するリスクを軽減し、データの所有とコンプライアンスに関する懸念に対処する。 コミュニケーションボトルネックに対処し、プライバシ保護を強化するフェデレーション学習アルゴリズムの大幅な進歩にもかかわらず、既存の作業は、データ特徴次元の違いの影響を見逃し、その結果、大きな特徴次元を持つ参加者に不均等に依存するグローバルモデルが生まれる。 さらに、現在の単一ビューフェデレーション学習手法では、マルチビューデータの特異な特性を考慮できないため、そのようなデータを処理する際の準最適性能が得られる。 これらの課題に対処するために,自己表現型ハイパーグラフに基づくフェデレート・マルチビュー学習法 (FedMSGL) を提案する。 提案手法は,局所学習における自己表現的特徴を利用して,潜在サンプル関係を持つ一様次元部分空間を学習する。 中心部分では、学習されたグローバルおよびビュー固有の部分空間からハイパーグラフを構築して、ビュー間の複雑な相互接続をキャプチャしながら、グローバルモデルを生成するために適応的な融合技術が使用される。 特徴次元の異なる多視点データセットによる実験により,提案手法の有効性が検証された。

関連論文リスト

• Personalized Federated Learning for Cross-view Geo-localization [49.40531019551957]
  本稿では,フェデレート・ラーニング (FL) とクロスビュー・イメージ・ジオローカライゼーション (CVGL) 技術を組み合わせた方法論を提案する。 提案手法では, クライアントが粗い特徴抽出器のみを共有しながら, 局所環境に特有のきめ細かな特徴を保持する, 粗い特徴抽出器を実装している。 その結果,フェデレートCVGL法は,データプライバシを維持しつつ,集中的なトレーニングに近い性能を実現することができた。
  論文  参考訳（メタデータ） (2024-11-07T13:25:52Z)
• Privately Learning from Graphs with Applications in Fine-tuning Large Language Models [16.972086279204174]
  金融や医療といった繊細な分野のリレーショナルデータは、しばしば私的な情報を含んでいる。 DP-SGDのような既存のプライバシー保護手法は、関係学習には適していない。 トレーニング中にサンプル関係の依存関係を分離するプライバシー保護型関係学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-10T18:38:38Z)
• FedNE: Surrogate-Assisted Federated Neighbor Embedding for Dimensionality Reduction [47.336599393600046]
  textscFedNEは、textscFedAvgフレームワークと対照的なNEテクニックを統合する新しいアプローチである。 我々は、合成データセットと実世界のデータセットの両方について包括的な実験を行う。
  論文  参考訳（メタデータ） (2024-09-17T19:23:24Z)
• Efficient Cluster Selection for Personalized Federated Learning: A Multi-Armed Bandit Approach [2.5477011559292175]
  フェデレートラーニング(FL)は、データプライバシを優先する、マシンラーニングモデルのための分散トレーニングアプローチを提供する。 本稿では,マルチアームバンディット(MAB)アプローチに触発された動的アッパー信頼境界(dUCB)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-29T16:46:50Z)
• Evaluating and Incentivizing Diverse Data Contributions in Collaborative Learning [89.21177894013225]
  フェデレートされた学習モデルがうまく機能するためには、多様で代表的なデータセットを持つことが不可欠である。 データの多様性を定量化するために用いられる統計的基準と、使用するフェデレート学習アルゴリズムの選択が、結果の平衡に有意な影響を及ぼすことを示す。 我々はこれを活用して、データ収集者がグローバルな人口を代表するデータに貢献することを奨励する、シンプルな最適なフェデレーション学習機構を設計する。
  論文  参考訳（メタデータ） (2023-06-08T23:38:25Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)
• Multi-Center Federated Learning [62.57229809407692]
  本稿では,フェデレート学習のための新しい多中心集約機構を提案する。 非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。 ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-03T09:14:31Z)

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。