論文の概要: FedNAMs: Performing Interpretability Analysis in Federated Learning Context
- arxiv url: http://arxiv.org/abs/2506.17466v1
- Date: Fri, 20 Jun 2025 20:14:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.427971
- Title: FedNAMs: Performing Interpretability Analysis in Federated Learning Context
- Title（参考訳）: FedNAMs:フェデレートラーニングコンテキストにおける解釈可能性の分析
- Authors: Amitash Nanda, Sree Bhargavi Balija, Debashis Sahoo,
- Abstract要約: 連合学習フレームワークにニューラル付加モデル(NAM)を用いる新しいアプローチを導入する。
FedNAMは詳細で特徴に特化した学習を維持しており、金融や医療などの分野において特に有用である。
本研究は,OpenFetch ML Wine, UCI Heart Disease, Irisなどのデータセットを用いて,さまざまなテキストおよび画像分類タスクについて検討し,FedNAMが精度の低下を最小限に抑えられることを示す。
- 参考スコア（独自算出の注目度）: 0.16874375111244327
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning continues to evolve but faces challenges in interpretability and explainability. To address these challenges, we introduce a novel approach that employs Neural Additive Models (NAMs) within a federated learning framework. This new Federated Neural Additive Models (FedNAMs) approach merges the advantages of NAMs, where individual networks concentrate on specific input features, with the decentralized approach of federated learning, ultimately producing interpretable analysis results. This integration enhances privacy by training on local data across multiple devices, thereby minimizing the risks associated with data centralization and improving model robustness and generalizability. FedNAMs maintain detailed, feature-specific learning, making them especially valuable in sectors such as finance and healthcare. They facilitate the training of client-specific models to integrate local updates, preserve privacy, and mitigate concerns related to centralization. Our studies on various text and image classification tasks, using datasets such as OpenFetch ML Wine, UCI Heart Disease, and Iris, show that FedNAMs deliver strong interpretability with minimal accuracy loss compared to traditional Federated Deep Neural Networks (DNNs). The research involves notable findings, including the identification of critical predictive features at both client and global levels. Volatile acidity, sulfates, and chlorides for wine quality. Chest pain type, maximum heart rate, and number of vessels for heart disease. Petal length and width for iris classification. This approach strengthens privacy and model efficiency and improves interpretability and robustness across diverse datasets. Finally, FedNAMs generate insights on causes of highly and low interpretable features.
- Abstract（参考訳）: フェデレートラーニングは進化を続けているが、解釈可能性と説明可能性の課題に直面している。
これらの課題に対処するために、我々は、連合学習フレームワークにニューラル付加モデル(NAM)を採用する新しいアプローチを導入する。
この新たなフェデレーションニューラルネットワーク付加モデル(FedNAMs)アプローチは、個々のネットワークが特定の入力特徴に集中するNAMの利点と、フェデレーション学習の分散アプローチを融合し、最終的には解釈可能な分析結果を生成する。
この統合は、複数のデバイスにまたがるローカルデータのトレーニングによってプライバシを強化し、データ集中化に関連するリスクを最小限に抑え、モデルの堅牢性と一般化性を改善する。
FedNAMは詳細で特徴に特化した学習を維持しており、金融や医療などの分野において特に有用である。
クライアント固有のモデルのトレーニングを促進して、ローカルアップデートの統合、プライバシの保護、集中化に関する懸念を軽減する。
筆者らは,OpenFetch ML Wine, UCI Heart Disease, Irisなどのデータセットを用いた各種テキストおよび画像分類タスクについて,従来のフェデレートディープニューラルネットワーク(DNN)と比較して,FedNAMが精度の低下を最小限に抑えた強い解釈性を提供することを示した。
この研究は、クライアントレベルとグローバルレベルの両方で重要な予測的特徴を特定することを含む、顕著な発見を含む。
ワインの品質には揮発性酸性度、硫酸塩、塩化物がある。
胸痛,最大心拍数,心臓病血管数。
虹彩分類における花弁の長さと幅
このアプローチは、プライバシとモデル効率を強化し、さまざまなデータセット間の解釈性と堅牢性を改善する。
最後に、FedNAMは高度かつ低い解釈可能な特徴の原因についての洞察を生成する。
関連論文リスト
- Decoding Federated Learning: The FedNAM+ Conformal Revolution [0.16874375111244327]
FedNAM+は、ニューラルネットワーク付加モデル(NAM)と新しい共形予測手法を統合する、連合学習フレームワークである。
本手法では,勾配に基づく感度マップを用いた動的レベル調整手法を導入し,重要な入力特徴が予測に与える影響を同定する。
我々は、CTスキャン、MNIST、CIFARデータセットの実験を通して、我々のアプローチを検証し、損失を最小限に抑えながら高い予測精度を示す。
論文 参考訳（メタデータ） (2025-06-22T02:06:14Z) - Global Convergence and Rich Feature Learning in $L$-Layer Infinite-Width Neural Networks under $μ$P Parametrization [66.03821840425539]
本稿では, テンソル勾配プログラム(SGD)フレームワークを用いた$L$層ニューラルネットワークのトレーニング力学について検討する。
SGDにより、これらのネットワークが初期値から大きく逸脱する線形独立な特徴を学習できることを示す。
このリッチな特徴空間は、関連するデータ情報をキャプチャし、トレーニングプロセスの収束点が世界最小であることを保証する。
論文 参考訳（メタデータ） (2025-03-12T17:33:13Z) - A Privacy-Preserving Domain Adversarial Federated learning for multi-site brain functional connectivity analysis [21.194849063213486]
Domain Adversarial Federated Learning (DAFed)は、非IID fMRIデータ解析を多地点で行うための新しいディープラーニングフレームワークである。
DAFedは、これらの課題に、機能分離を通じて対処し、潜在機能空間をドメイン不変およびドメイン固有コンポーネントに分解する。
論文 参考訳（メタデータ） (2025-02-03T23:26:07Z) - DWFL: Enhancing Federated Learning through Dynamic Weighted Averaging [2.499907423888049]
本稿では,タンパク質配列分類のためのディープフィードフォワードニューラルネットワークに基づく強化フェデレーション学習法を提案する。
本稿では,動的重み付き連合学習(DWFL)について紹介する。
DWFLの有効性を評価するために,実世界のタンパク質配列データセットを用いて実験を行った。
論文 参考訳（メタデータ） (2024-11-07T20:24:23Z) - Feasibility Analysis of Federated Neural Networks for Explainable Detection of Atrial Fibrillation [1.6053176639259055]
心房細動 (AFib) の早期発見は, 無症候性, 発作性に困難である。
本研究は、生のECGデータを用いてAFibを検出するために、フェデレートラーニング(FL)プラットフォーム上でニューラルネットワークをトレーニングする可能性を評価する。
論文 参考訳（メタデータ） (2024-10-14T15:06:10Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for
Federated Learning on Non-IID Data [69.0785021613868]
フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。
本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。
これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
論文 参考訳（メタデータ） (2022-05-19T03:32:03Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2020-01-16T04:49:33Z)
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。