論文の概要: Event-Driven Online Vertical Federated Learning

• arxiv url: http://arxiv.org/abs/2506.14911v1
• Date: Tue, 17 Jun 2025 18:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.452307
• Title: Event-Driven Online Vertical Federated Learning
• Title（参考訳）: イベント駆動型オンライン垂直的フェデレーション学習
• Authors: Ganyu Wang, Boyu Wang, Bin Gu, Charles Ling,
• Abstract要約: オンライン学習は、オフライン学習よりも、VFL(Vertical Federated Learning)の方が適応可能な世界シナリオである。 これまでの研究で見過ごされたオンラインVFLにおいて、これらの課題を最初に特定しました。 提案するフレームワークは,非定常データ条件下での既存のオンラインVFLフレームワークよりも安定していた。
• 参考スコア（独自算出の注目度）: 19.84023051291654
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Online learning is more adaptable to real-world scenarios in Vertical Federated Learning (VFL) compared to offline learning. However, integrating online learning into VFL presents challenges due to the unique nature of VFL, where clients possess non-intersecting feature sets for the same sample. In real-world scenarios, the clients may not receive data streaming for the disjoint features for the same entity synchronously. Instead, the data are typically generated by an \emph{event} relevant to only a subset of clients. We are the first to identify these challenges in online VFL, which have been overlooked by previous research. To address these challenges, we proposed an event-driven online VFL framework. In this framework, only a subset of clients were activated during each event, while the remaining clients passively collaborated in the learning process. Furthermore, we incorporated \emph{dynamic local regret (DLR)} into VFL to address the challenges posed by online learning problems with non-convex models within a non-stationary environment. We conducted a comprehensive regret analysis of our proposed framework, specifically examining the DLR under non-convex conditions with event-driven online VFL. Extensive experiments demonstrated that our proposed framework was more stable than the existing online VFL framework under non-stationary data conditions while also significantly reducing communication and computation costs.
• Abstract（参考訳）: オンライン学習は、オフライン学習と比較して、VFL(Vertical Federated Learning)の現実世界のシナリオに適応可能である。 しかしながら、オンライン学習をVFLに統合することは、クライアントが同じサンプルに対して非干渉機能セットを持つという、VFLの独特な性質による課題を提起する。 現実のシナリオでは、クライアントは同じエンティティの非結合機能に対して同期的にデータストリーミングを受け取らない場合がある。 その代わり、データは典型的には、クライアントのサブセットのみに関連する \emph{event} によって生成される。 これまでの研究で見過ごされたオンラインVFLにおいて、これらの課題を最初に特定しました。 これらの課題に対処するため、イベント駆動のオンラインVFLフレームワークを提案しました。 このフレームワークでは、各イベント中にクライアントのサブセットのみが起動され、残りのクライアントは学習プロセスで受動的に協調する。 さらに,非定常環境における非凸モデルによるオンライン学習問題による課題に対処するため,VFLに<emph{dynamic local regret(DLR)を組み込んだ。 非凸条件下でのDLRとイベント駆動オンラインVFLの総合的後悔分析を行った。 非定常データ条件下では,提案フレームワークは既存のオンラインVFLフレームワークよりも安定であり,通信コストや計算コストを大幅に削減することを示した。

関連論文リスト

• UIFV: Data Reconstruction Attack in Vertical Federated Learning [5.404398887781436]
  Vertical Federated Learning (VFL)は、参加者が生のプライベートデータを共有することなく、協調的な機械学習を促進する。 近年の研究では、学習プロセス中にデータ漏洩によって、敵が機密性を再構築する可能性のあるプライバシーリスクが明らかにされている。 我々の研究は、実用的なVFLアプリケーションに真の脅威をもたらす、VFLシステム内の深刻なプライバシー上の脆弱性を露呈する。
  論文  参考訳（メタデータ） (2024-06-18T13:18:52Z)
• Personalized Wireless Federated Learning for Large Language Models [75.22457544349668]
  大規模言語モデル(LLM)は、無線ネットワークにおいて大きな変革をもたらしている。 無線環境では、LLMのトレーニングはセキュリティとプライバシに関する重大な課題に直面している。 本稿では,無線ネットワークにおけるLLMのトレーニング段階の体系的解析を行い,事前学習,命令チューニング,アライメントチューニングを行う。
  論文  参考訳（メタデータ） (2024-04-20T02:30:21Z)
• Robust Collaborative Inference with Vertically Split Data Over Dynamic Device Environments [15.757660512833006]
  安全クリティカルなアプリケーションでは、環境破壊や極端な天候によるネットワーク障害に対して、協調推論は堅牢でなければならない。 まず、重要なネットワーク障害を経験できるデバイスの動的ネットワーク上で、ロバストな協調推論の問題を定式化する。 そこで我々は,マルチプルアグリゲーション(Multiple Aggregation with Gossip Rounds and Simulated Faults (MAGS))と呼ばれる最小限の手法を開発した。
  論文  参考訳（メタデータ） (2023-12-27T17:00:09Z)
• SemiSFL: Split Federated Learning on Unlabeled and Non-IID Data [34.49090830845118]
  フェデレートラーニング(FL)は、複数のクライアントがネットワークエッジでプライベートデータ上で機械学習モデルを協調的にトレーニングできるようにするためのものだ。 クラスタリング正規化を取り入れて,ラベルなしおよび非IIDクライアントデータでSFLを実行する,Semi-supervised SFLシステムを提案する。 本システムは,訓練時間の3.8倍の高速化を実現し,目標精度を達成しつつ通信コストを約70.3%削減し,非IIDシナリオで最大5.8%の精度向上を実現する。
  論文  参考訳（メタデータ） (2023-07-29T02:35:37Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [52.85536740465277]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM [62.62684911017472]
  フェデレートラーニング(FL)により、デバイスは共有モデルを共同でトレーニングし、トレーニングデータをプライバシ目的でローカルに保つことができる。 マルチヘッド(VIM)を備えたVFLフレームワークを導入し、各クライアントの別々のコントリビューションを考慮に入れます。 VIMは最先端技術に比べて性能が著しく向上し、収束が速い。
  論文  参考訳（メタデータ） (2022-07-20T23:14:33Z)

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。