論文の概要: ICAFS: Inter-Client-Aware Feature Selection for Vertical Federated Learning

• arxiv url: http://arxiv.org/abs/2504.10851v1
• Date: Tue, 15 Apr 2025 04:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:07:19.320148
• Title: ICAFS: Inter-Client-Aware Feature Selection for Vertical Federated Learning
• Title（参考訳）: ICAFS: 垂直的フェデレーション学習のためのクライアント間機能選択
• Authors: Ruochen Jin, Boning Tong, Shu Yang, Bojian Hou, Li Shen,
• Abstract要約: 垂直的フェデレーションラーニング(VFL)における特徴選択の役割 本稿では,VFL における実効的な FS のマルチステージアンサンブル手法である ICAFS を紹介する。 複数の実世界のデータセットの実験では、ICAFSが予測精度において現在の最先端の手法を超越していることが示されている。
• 参考スコア（独自算出の注目度）: 10.133952242666346
• License:
• Abstract: Vertical federated learning (VFL) enables a paradigm for vertically partitioned data across clients to collaboratively train machine learning models. Feature selection (FS) plays a crucial role in Vertical Federated Learning (VFL) due to the unique nature that data are distributed across multiple clients. In VFL, different clients possess distinct subsets of features for overlapping data samples, making the process of identifying and selecting the most relevant features a complex yet essential task. Previous FS efforts have primarily revolved around intra-client feature selection, overlooking vital feature interaction across clients, leading to subpar model outcomes. We introduce ICAFS, a novel multi-stage ensemble approach for effective FS in VFL by considering inter-client interactions. By employing conditional feature synthesis alongside multiple learnable feature selectors, ICAFS facilitates ensemble FS over these selectors using synthetic embeddings. This method bypasses the limitations of private gradient sharing and allows for model training using real data with refined embeddings. Experiments on multiple real-world datasets demonstrate that ICAFS surpasses current state-of-the-art methods in prediction accuracy.
• Abstract（参考訳）: 垂直連合学習(VFL)は、クライアント間で垂直に分割されたデータに対して、機械学習モデルを協調的にトレーニングするパラダイムを可能にする。 特徴選択(FS)は、データが複数のクライアントに分散するユニークな性質のため、垂直統合学習(VFL)において重要な役割を果たす。 VFLでは、異なるクライアントはデータサンプルを重畳する機能の異なるサブセットを持ち、最も関連性の高い機能を特定し、選択するプロセスは複雑だが必須のタスクである。 これまでのFSの取り組みは、主にクライアント間の重要な機能インタラクションを見越して、クライアント内の機能選択を中心に展開され、サブパーモデルの結果をもたらしました。 本稿では,VFL における実効的な FS のマルチステージアンサンブル手法である ICAFS を紹介する。 ICAFSは条件付き特徴合成を複数の学習可能な特徴セレクタと併用することにより、これらのセレクタ上でのアンサンブルFSを促進する。 この方法は、プライベートな勾配共有の制限を回避し、洗練された埋め込みによる実データを用いたモデルトレーニングを可能にする。 複数の実世界のデータセットの実験では、ICAFSが予測精度において現在の最先端の手法を超越していることが示されている。

関連論文リスト

• Active-Passive Federated Learning for Vertically Partitioned Multi-view Data [48.985955382701185]
  フレキシブルなアクティブ・パッシブ・フェデレーション・ラーニング(APFed)フレームワークを提案する。 アクティブクライアントは学習タスクの開始者であり、完全なモデルを構築する責任を持ち、受動的クライアントはアシスタントとしてのみ機能する。 さらに、APFedフレームワークを2つの分類方法に分類し、それぞれに再構成損失とパッシブクライアントに対するコントラスト損失を利用する。
  論文  参考訳（メタデータ） (2024-09-06T08:28:35Z)
• Learn What You Need in Personalized Federated Learning [53.83081622573734]
  $textitLearn2pFed$は、アルゴリズムに基づくパーソナライズされたフェデレーション学習フレームワークである。 我々は、textitLearn2pFed$が、従来のパーソナライズされたフェデレーション学習方法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-16T12:45:15Z)
• Unlocking the Potential of Prompt-Tuning in Bridging Generalized and Personalized Federated Learning [49.72857433721424]
  Vision Transformer (ViT) と Visual Prompt Tuning (VPT) は、様々なコンピュータビジョンタスクの効率を改善して最先端のパフォーマンスを実現する。 本稿では,GFL(Generalized FL)とPFL(Personalized FL)を組み合わせた新しいアルゴリズムSGPTを提案する。
  論文  参考訳（メタデータ） (2023-10-27T17:22:09Z)
• Heterogeneity-Guided Client Sampling: Towards Fast and Efficient Non-IID Federated Learning [14.866327821524854]
  HiCS-FLはサーバがクライアントの出力層を更新してクライアントデータの統計的不均一性を推定する新しいクライアント選択手法である。 非IID設定では、HiCS-FLは最先端のFLクライアント選択方式よりも高速な収束を実現する。
  論文  参考訳（メタデータ） (2023-09-30T00:29:30Z)
• PFL-GAN: When Client Heterogeneity Meets Generative Models in Personalized Federated Learning [55.930403371398114]
  パーソナライズドラーニング(PFL)のための新しいGAN(Generative Adversarial Network)の共有と集約戦略を提案する。 PFL-GANは、異なるシナリオにおけるクライアントの不均一性に対処する。より具体的には、まずクライアント間の類似性を学び、次に重み付けされた協調データアグリゲーションを開発する。 いくつかのよく知られたデータセットに対する厳密な実験による実験結果は、PFL-GANの有効性を示している。
  論文  参考訳（メタデータ） (2023-08-23T22:38:35Z)
• FedSDG-FS: Efficient and Secure Feature Selection for Vertical Federated Learning [21.79965380400454]
  Vertical Learning(VFL)は、複数のデータオーナに対して、大きな重複するデータサンプルセットに関する機能のサブセットをそれぞれ保持して、有用なグローバルモデルを共同でトレーニングすることを可能にする。 VFLのために設計された既存のFSは、ノイズの多い特徴の数について事前知識を仮定するか、有用な特徴の訓練後のしきい値について事前知識を仮定する。 本稿では,FedSDG-FS(Federated Dual-Gate Based Feature Selection)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:09:45Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Continual Horizontal Federated Learning for Heterogeneous Data [1.493231854066654]
  フェデレートラーニング(Federated Learning)は、複数のクライアントが互いに生データを公開せずに、協力してモデルを構築することのできる、有望な機械学習技術である。 本稿では,各クライアントの特徴を生かしてHFLの性能向上を図るために,連続水平連合学習(CHFL)と呼ばれるニューラルネットワークを用いたHFL手法を提案する。 CHFLは、共通の機能のみを使用するバニラHFLと、各クライアントが持っているすべての機能を使用するローカルラーニングに大きく勝る。
  論文  参考訳（メタデータ） (2022-03-04T02:52:25Z)
• Distributed Unsupervised Visual Representation Learning with Fused Features [13.935997509072669]
  フェデレートラーニング(FL)により、分散クライアントは、各クライアントにトレーニングデータをローカルに保持しながら、予測のための共有モデルを学ぶことができる。 本稿では,特徴融合と近傍マッチングという2つのアプローチからなる相互比較学習フレームワークを提案する。 IIDデータでは、他の手法よりも11%優れており、集中学習のパフォーマンスに匹敵する。
  論文  参考訳（メタデータ） (2021-11-21T08:36:31Z)
• A User-Guided Bayesian Framework for Ensemble Feature Selection in Life Science Applications (UBayFS) [0.0]
  本稿では,ベイズ統計フレームワークに組み込んだアンサンブル特徴選択手法UBayFSを提案する。 提案手法は,データとドメイン知識の2つの情報源を考慮し,特徴選択のプロセスを強化する。 標準的な機能セレクタとの比較では、UBayFSは競争力のあるパフォーマンスを実現し、ドメイン知識を組み込むための柔軟性を提供する。
  論文  参考訳（メタデータ） (2021-04-30T06:51:33Z)
• Federated Mutual Learning [65.46254760557073]
  Federated Mutual Leaning (FML)は、クライアントが汎用モデルとパーソナライズされたモデルを独立してトレーニングすることを可能にする。 実験により、FMLは一般的なフェデレート学習環境よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-27T09:35:03Z)

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。