論文の概要: X-VFL: A New Vertical Federated Learning Framework with Cross Completion and Decision Subspace Alignment
- arxiv url: http://arxiv.org/abs/2508.05568v1
- Date: Thu, 07 Aug 2025 17:00:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.962653
- Title: X-VFL: A New Vertical Federated Learning Framework with Cross Completion and Decision Subspace Alignment
- Title（参考訳）: X-VFL: クロスコンプリートと決定部分空間アライメントを備えた新しい垂直フェデレーション学習フレームワーク
- Authors: Qinghua Yao, Xiangrui Xu, Zhize Li,
- Abstract要約: Vertical Federated Learning (VFL)は、複数のクライアント/パーティから分離した機能サブセットを統合することで、協調学習を可能にする。
X-VFLは、非整列データサンプルに欠落した特徴を扱えるように設計された新しいVFLフレームワークである。
X-VFLは、各クライアントに対する新しいデータサンプルのローカル独立推論をサポートする。
- 参考スコア（独自算出の注目度）: 12.862865254507177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vertical Federated Learning (VFL) enables collaborative learning by integrating disjoint feature subsets from multiple clients/parties. However, VFL typically faces two key challenges: i) the requirement for perfectly aligned data samples across all clients (missing features are not allowed); ii) the requirement for joint collaborative inference/prediction involving all clients (it does not support locally independent inference on a single client). To address these challenges, we propose X-VFL, a new VFL framework designed to deal with the non-aligned data samples with (partially) missing features and to support locally independent inference of new data samples for each client. In particular, we design two novel modules in X-VFL: Cross Completion (XCom) and Decision Subspace Alignment (DS-Align). XCom can complete/reconstruct missing features for non-aligned data samples by leveraging information from other clients. DS-Align aligns local features with completed and global features across all clients within the decision subspace, thus enabling locally independent inference at each client. Moreover, we provide convergence theorems for different algorithms used in training X-VFL, showing an $O(1/\sqrt{T})$ convergence rate for SGD-type algorithms and an $O(1/T)$ rate for PAGE-type algorithms, where $T$ denotes the number of training update steps. Extensive experiments on real-world datasets demonstrate that X-VFL significantly outperforms existing methods, e.g., achieving a 15% improvement in accuracy on the image CIFAR-10 dataset and a 43% improvement on the medical MIMIC-III dataset. These results validate the practical effectiveness and superiority of X-VFL, particularly in scenarios involving partially missing features and locally independent inference.
- Abstract（参考訳）: Vertical Federated Learning (VFL)は、複数のクライアント/パーティから分離した機能サブセットを統合することで、協調学習を可能にする。
しかしながら、VFLは一般的に2つの主要な課題に直面します。
一 すべてのクライアントにまたがる完全な整合データサンプルの要件(機能不足は許されない。)
二 すべてのクライアントを包含する共同推論/予測の要件(単一のクライアントに対して局所的に独立した推論をサポートしない。)
これらの課題に対処するために、X-VFLという新しいVFLフレームワークを提案する。これは、(部分的に)欠落した機能を持つ非整合データサンプルに対処し、各クライアントに対する新しいデータサンプルの局所的な独立推論をサポートするように設計されている。
具体的には,X-VFLのクロスコンプリート(XCom)と決定部分空間アライメント(DS-Align)の2つの新しいモジュールを設計する。
XComは、他のクライアントからの情報を活用することで、非整列データサンプルの欠落した機能を完了/再構築することができる。
DS-Alignはローカル機能を決定サブ空間内のすべてのクライアントで完結したグローバルな機能と整合させ、各クライアントでローカルに独立した推論を可能にする。
さらに、X-VFLのトレーニングに使用するアルゴリズムの収束定理を提案し、SGD型アルゴリズムの$O(1/\sqrt{T})$収束率とPAGE型アルゴリズムの$O(1/T)$収束率を示す。
実世界のデータセットに対する大規模な実験により、X-VFLは既存の手法、例えば、画像CIFAR-10データセットの精度を15%向上し、医療用MIMIC-IIIデータセットの43%の改善を達成した。
これらの結果は,X-VFLの実用的有効性と優位性,特に部分欠落特徴と局所独立推論を含むシナリオにおいて検証された。
関連論文リスト
- Personalized Subgraph Federated Learning with Differentiable Auxiliary Projections [14.636973991912113]
補助投影を用いたフェデレーション学習(FedAux)を紹介する。
FedAuxはパーソナライズされたサブグラフFLフレームワークで、生のデータやノードの埋め込みを共有することなく、均一に分散されたローカルモデルを調整、比較、集約することを学ぶ。
多様なグラフベンチマークによる実証的な評価は、FedAuxが精度とパーソナライズ性能の両方で既存のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2025-05-29T09:17:49Z) - ICAFS: Inter-Client-Aware Feature Selection for Vertical Federated Learning [10.133952242666346]
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。
論文 参考訳（メタデータ） (2025-04-15T04:19:04Z) - Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。
本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文 参考訳（メタデータ） (2025-01-17T04:00:50Z) - 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) - Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。
本稿では,FedInsという新しいFLアルゴリズムを提案する。
我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-11T09:58:47Z) - FedSampling: A Better Sampling Strategy for Federated Learning [81.85411484302952]
フェデレートラーニング(FL)は、プライバシを保存する方法で分散化されたデータからモデルを学習するための重要なテクニックである。
既存のFLメソッドは通常、各ラウンドでローカルモデル学習のために一様にクライアントをサンプリングする。
フェデレート学習のための新しいデータ一様サンプリング戦略(FedSampling)を提案する。
論文 参考訳（メタデータ） (2023-06-25T13:38:51Z) - Optimizing Server-side Aggregation For Robust Federated Learning via
Subspace Training [80.03567604524268]
クライアント間の非IIDデータ分散と中毒攻撃は、現実世界のフェデレーション学習システムにおける2つの大きな課題である。
サーバ側集約プロセスを最適化する汎用的なアプローチであるSmartFLを提案する。
本稿では,SmartFLの収束と一般化能力に関する理論的解析を行う。
論文 参考訳（メタデータ） (2022-11-10T13:20:56Z) - 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) - 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) - 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) - FedCVT: Semi-supervised Vertical Federated Learning with Cross-view Training [9.638604434238882]
フェデレート・クロスビュー・トレーニング(Federated Cross-view Training, FedCVT)は、縦型フェデレーション学習モデルの性能を向上させる半教師付き学習手法である。
FedCVTは独自のデータとモデルパラメータを共有する必要はなく、データのプライバシを保存する。
論文 参考訳（メタデータ） (2020-08-25T06:20:31Z)
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。