論文の概要: Federated Instrumental Variable Analysis via Federated Generalized Method of Moments

• arxiv url: http://arxiv.org/abs/2505.21012v1
• Date: Tue, 27 May 2025 10:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.588488
• Title: Federated Instrumental Variable Analysis via Federated Generalized Method of Moments
• Title（参考訳）: Federated Generalized Method of MomentsによるFederated Instrumental Variable Analysis
• Authors: Geetika, Somya Tyagi, Bapi Chatterjee,
• Abstract要約: 一般化法モーメント(FedGMM)を用いたFederated instrumental variables analysis(FedIV)を導入する。 重要な課題は、理論上、連合した局所最適性を特徴づけることである。 フェデレートされたソリューションは、各クライアントの局所的なモーメント条件を常に推定することを示します。
• 参考スコア（独自算出の注目度）: 1.3682156035049038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instrumental variables (IV) analysis is an important applied tool for areas such as healthcare and consumer economics. For IV analysis in high-dimensional settings, the Generalized Method of Moments (GMM) using deep neural networks offers an efficient approach. With non-i.i.d. data sourced from scattered decentralized clients, federated learning is a popular paradigm for training the models while promising data privacy. However, to our knowledge, no federated algorithm for either GMM or IV analysis exists to date. In this work, we introduce federated instrumental variables analysis (FedIV) via federated generalized method of moments (FedGMM). We formulate FedGMM as a federated zero-sum game defined by a federated non-convex non-concave minimax optimization problem, which is solved using federated gradient descent ascent (FedGDA) algorithm. One key challenge arises in theoretically characterizing the federated local optimality. To address this, we present properties and existence results of clients' local equilibria via FedGDA limit points. Thereby, we show that the federated solution consistently estimates the local moment conditions of every participating client. The proposed algorithm is backed by extensive experiments to demonstrate the efficacy of our approach.
• Abstract（参考訳）: 計測変数(IV)分析は、医療や消費者経済学などの分野において重要な応用ツールである。 高次元環境でのIV分析のために、ディープニューラルネットワークを用いた一般化モーメント法(GMM)は効率的なアプローチを提供する。 分散分散分散クライアントから得られる非i.d.d.データでは、フェデレーション学習はデータのプライバシーを約束しながらモデルをトレーニングする一般的なパラダイムである。 しかし、我々の知る限り、GMMまたはIV分析のフェデレーションアルゴリズムは現存していない。 本稿では,FedGMM(Federated Generalized Method of moments)によるFederated instrumental variables analysis(FedIV)を紹介する。 我々は,FedGMMをFedGDAアルゴリズムを用いて,非凸非凸ミニマックス最適化問題によって定義されるフェデレーションゼロサムゲームとして定式化する。 一つの重要な課題は、連合した局所最適性を理論的に特徴づけることである。 これを解決するために、FedGDA制限点を介してクライアントの局所平衡の性質と存在結果を示す。 これにより、各クライアントの局所的なモーメント条件を一貫したフェデレーションソリューションで推定できることが分かる。 提案アルゴリズムは,提案手法の有効性を実証する広範囲な実験によって裏付けられている。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Leveraging Function Space Aggregation for Federated Learning at Scale [20.866482460590973]
  クライアントが学習した関数に対する局所近似を集約するアルゴリズムであるFedFishを提案する。 我々はFedFishを、現実的で大規模なクロスデバイスベンチマークで評価する。
  論文  参考訳（メタデータ） (2023-11-17T02:37:10Z)
• Locally Adaptive Federated Learning [30.19411641685853]
  フェデレートラーニング(Federated Learning)とは、複数のクライアントが中央サーバと協調してモデルを学習する分散機械学習のパラダイムである。 Federated Averaging (FedAvg)のような標準的なフェデレーション最適化手法は、クライアント間の一般化を保証する。 本稿では,各クライアント関数の局所的幾何情報を利用する局所的フェデレーション学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-12T17:02:32Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Momentum Benefits Non-IID Federated Learning Simply and Provably [22.800862422479913]
  フェデレートラーニングは大規模機械学習の強力なパラダイムである。 FedAvgとSCAFFOLDは、これらの課題に対処する2つの顕著なアルゴリズムである。 本稿では,FedAvgとSCAFFOLDの性能向上のための運動量の利用について検討する。
  論文  参考訳（メタデータ） (2023-06-28T18:52:27Z)
• FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
  我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。 我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-12-14T13:57:01Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• A Unified Linear Speedup Analysis of Federated Averaging and Nesterov FedAvg [49.76940694847521]
  フェデレーションラーニング(FL)は、互いにプライベートに保持されたデータを共有せずに、参加する一連のデバイスからモデルを共同で学習する。 本稿では,FedAvg(Federated Averaging, FedAvg)に焦点をあてる。 また,FedAvgは収束率や通信効率が異なるが,各ケースで線形スピードアップを享受していることを示す。
  論文  参考訳（メタデータ） (2020-07-11T05:59:08Z)

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。