論文の概要: Tree-based Models for Vertical Federated Learning: A Survey

• arxiv url: http://arxiv.org/abs/2504.02285v1
• Date: Thu, 03 Apr 2025 05:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:57:49.197104
• Title: Tree-based Models for Vertical Federated Learning: A Survey
• Title（参考訳）: 垂直的フェデレーション学習のための木モデル:調査
• Authors: Bingchen Qian, Yuexiang Xie, Yaliang Li, Bolin Ding, Jingren Zhou,
• Abstract要約: ツリーベースのモデルは、その有効性、堅牢性、解釈可能性により、幅広い現実世界のアプリケーションで大きな成功を収めている。 木質モデルの違いと進歩を実証的に観察するための一連の実験を行った。
• 参考スコア（独自算出の注目度）: 71.7819045050963
• License:
• Abstract: Tree-based models have achieved great success in a wide range of real-world applications due to their effectiveness, robustness, and interpretability, which inspired people to apply them in vertical federated learning (VFL) scenarios in recent years. In this paper, we conduct a comprehensive study to give an overall picture of applying tree-based models in VFL, from the perspective of their communication and computation protocols. We categorize tree-based models in VFL into two types, i.e., feature-gathering models and label-scattering models, and provide a detailed discussion regarding their characteristics, advantages, privacy protection mechanisms, and applications. This study also focuses on the implementation of tree-based models in VFL, summarizing several design principles for better satisfying various requirements from both academic research and industrial deployment. We conduct a series of experiments to provide empirical observations on the differences and advances of different types of tree-based models.
• Abstract（参考訳）: 木に基づくモデルは、その有効性、堅牢性、解釈可能性により、様々な現実世界のアプリケーションで大きな成功を収めており、近年、人々がそれらを垂直連合学習(VFL)のシナリオに適用するきっかけとなった。 本稿では,VFLにおける木モデルの適用の全体像を,コミュニケーションと計算プロトコルの観点から総合的に研究する。 VFLのツリーベースモデルを特徴収集モデルとラベル散乱モデルという2つのタイプに分類し,その特性,利点,プライバシ保護機構,アプリケーションに関する詳細な議論を行う。 本研究は、VFLにおける木モデルの実装にも焦点をあて、学術研究と産業展開の両方からの様々な要求を満たすために、いくつかの設計原則を要約する。 木質モデルの違いと進歩を実証的に観察するための一連の実験を行った。

関連論文リスト

• GeFL: Model-Agnostic Federated Learning with Generative Models [3.4546761246181696]
  フェデレートラーニング(FL)は、ユーザのプライバシーを維持しながら、分散ラーニングにおいて有望なパラダイムである。 ヘテロジニアスモデルのユーザ間でグローバルな知識を集約する生成モデルを導入し,GeFL(Generative Model-Aided Federated Learning)を提案する。 我々は,GeFL-Fの一貫性のある性能向上を実証的に実証するとともに,多数のクライアントに対して優れたプライバシー保護と堅牢性を示す。
  論文  参考訳（メタデータ） (2024-12-24T14:39:47Z)
• Language Model as Visual Explainer [72.88137795439407]
  本稿では,木構造言語学的説明を用いた視覚モデル解釈のための体系的アプローチを提案する。 提案手法は,属性を付与した木の形で人間に理解可能な説明を提供する。 提案手法の有効性を確認するため,新しいベンチマークを導入し,厳密な評価を行う。
  論文  参考訳（メタデータ） (2024-12-08T20:46:23Z)
• Exploring the Effectiveness of Object-Centric Representations in Visual Question Answering: Comparative Insights with Foundation Models [24.579822095003685]
  下流視覚質問応答(VQA)における表現学習に関する実証的研究を行った。 我々はOCモデルと代替アプローチの利点とトレードオフを徹底的に検討する。 両パラダイムの強みを活用するための,有望な道を見つける。
  論文  参考訳（メタデータ） (2024-07-22T12:26:08Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• When are Foundation Models Effective? Understanding the Suitability for Pixel-Level Classification Using Multispectral Imagery [23.464350453312584]
  非常に大きなディープラーニングモデルであるファンデーションモデルは、様々な言語やビジョンタスクにおいて印象的なパフォーマンスを示してきた。 ファンデーションモデルは、常に異なるリモートセンシングタスクに適した選択肢であり、いつ、いつ、いつ、そうでないか? 本研究の目的は,画素レベルの分類のための基礎モデルの現状と適合性を理解することである。
  論文  参考訳（メタデータ） (2024-04-17T23:30:48Z)
• Model Generation with LLMs: From Requirements to UML Sequence Diagrams [9.114284818139069]
  本稿では,NL要求から特定のモデル,すなわちシーケンス図を生成するChatGPTの能力について検討する。 本稿では,ChatGPTが生成した28種類の要求文書と異なるドメインのシーケンス図について検討する。 以上の結果から, モデルが標準に適合し, 合理的な理解可能性を示す一方で, 要求条件に対する完全性や正当性は, しばしば課題となることが示唆された。
  論文  参考訳（メタデータ） (2024-04-09T15:07:25Z)
• Adaptive Contextual Perception: How to Generalize to New Backgrounds and Ambiguous Objects [75.15563723169234]
  本研究では,視覚モデルが分布外一般化の文脈をどのように適応的に利用するかを検討する。 1つの設定で優れているモデルは、もう1つの設定で苦労する傾向があります。 生物学的視覚の一般化能力を再現するためには、コンピュータビジョンモデルは背景表現に対して分解対象を持つ必要がある。
  論文  参考訳（メタデータ） (2023-06-09T15:29:54Z)
• Minimal Value-Equivalent Partial Models for Scalable and Robust Planning in Lifelong Reinforcement Learning [56.50123642237106]
  モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。 このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。 我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-24T16:40:01Z)
• BloomNet: A Robust Transformer based model for Bloom's Learning Outcome Classification [2.8014992300800103]
  ブルーム分類学(Bloom taxonomy)は、学習目標を認知、感情、精神運動の3つのレベルに分類するパラダイムである。 コース学習結果(CLO)を分類するために,言語情報と意味情報をキャプチャする,BloomNetというトランスフォーマーベースモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-16T17:31:44Z)
• Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
  雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。 我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
  論文  参考訳（メタデータ） (2021-06-20T02:15:20Z)

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。