論文の概要: Trans-XFed: An Explainable Federated Learning for Supply Chain Credit Assessment

• arxiv url: http://arxiv.org/abs/2508.13715v1
• Date: Tue, 19 Aug 2025 10:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.891687
• Title: Trans-XFed: An Explainable Federated Learning for Supply Chain Credit Assessment
• Title（参考訳）: Trans-XFed: サプライチェーンクレジットアセスメントのための説明可能なフェデレーション学習
• Authors: Jie Shi, Arno P. J. M. Siebes, Siamak Mehrkanoon,
• Abstract要約: 本稿では,連合学習と説明可能なAI技術を組み合わせてサプライチェーンクレジットアセスメントを行うTrans-XFedアーキテクチャを提案する。 提案モデルは,プライバシ,情報サイロ,クラス不均衡,非同一かつ独立に分散された(Non-IID)データ,サプライチェーンクレジットアセスメントにおけるモデル解釈可能性など,いくつかの重要な課題に対処することを目的としている。
• 参考スコア（独自算出の注目度）: 4.475469482534038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a Trans-XFed architecture that combines federated learning with explainable AI techniques for supply chain credit assessment. The proposed model aims to address several key challenges, including privacy, information silos, class imbalance, non-identically and independently distributed (Non-IID) data, and model interpretability in supply chain credit assessment. We introduce a performance-based client selection strategy (PBCS) to tackle class imbalance and Non-IID problems. This strategy achieves faster convergence by selecting clients with higher local F1 scores. The FedProx architecture, enhanced with homomorphic encryption, is used as the core model, and further incorporates a transformer encoder. The transformer encoder block provides insights into the learned features. Additionally, we employ the integrated gradient explainable AI technique to offer insights into decision-making. We demonstrate the effectiveness of Trans-XFed through experimental evaluations on real-world supply chain datasets. The obtained results show its ability to deliver accurate credit assessments compared to several baselines, while maintaining transparency and privacy.
• Abstract（参考訳）: 本稿では,連合学習と説明可能なAI技術を組み合わせてサプライチェーンクレジットアセスメントを行うTrans-XFedアーキテクチャを提案する。 提案モデルは,プライバシ,情報サイロ,クラス不均衡,非同一かつ独立に分散された(Non-IID)データ,サプライチェーンクレジットアセスメントにおけるモデル解釈可能性など,いくつかの重要な課題に対処することを目的としている。 クラス不均衡と非IID問題に対処するために,パフォーマンスベースのクライアント選択戦略(PBCS)を導入する。 この戦略は、より高い局所的なF1スコアを持つクライアントを選択することで、より高速な収束を実現する。 FedProxアーキテクチャは、同型暗号化によって拡張され、コアモデルとして使用され、さらにトランスフォーマーエンコーダが組み込まれている。 トランスフォーマーエンコーダブロックは、学習した機能に関する洞察を提供する。 さらに、私たちは、意思決定に関する洞察を提供するために、統合的な勾配説明可能なAI技術を採用しています。 実世界のサプライチェーンデータセットを用いた実験評価により,Trans-XFedの有効性を示す。 得られた結果は、透明性とプライバシーを維持しつつ、いくつかのベースラインと比較して正確な信用評価を提供する能力を示している。

関連論文リスト

• FedSC: Federated Learning with Semantic-Aware Collaboration [12.366529890744822]
  フェデレートラーニング(FL)は、プライバシ保護のためのデータを共有することなく、クライアント間で協調的にモデルをトレーニングすることを目的としている。 不均一なクライアント間でクライアント固有のクラス関連知識を収集するために,FedSC(Federated Learning with Semantic-Aware Collaboration)を提案する。
  論文  参考訳（メタデータ） (2025-06-26T05:04:55Z)
• Stratify: Rethinking Federated Learning for Non-IID Data through Balanced Sampling [9.774529150331297]
  Stratifyは、トレーニング全体を通してクラスとフィーチャーの配布を体系的に管理するために設計された、新しいFLフレームワークである。 従来の階層化サンプリングに着想を得て,SLS(Stratified Label Schedule)を用いてラベル間のバランスの取れた露出を確保する。 プライバシーを守るため,同型暗号化を利用したセキュアクライアント選択プロトコルを実装した。
  論文  参考訳（メタデータ） (2025-04-18T04:44:41Z)
• HFedCKD: Toward Robust Heterogeneous Federated Learning via Data-free Knowledge Distillation and Two-way Contrast [10.652998357266934]
  データフリーな知識蒸留と双方向コントラスト(HFedCKD)に基づくヘテロジニアスフェデレーション方式を提案する。 HFedCKDは、データフリーな知識蒸留における低い参加率による知識オフセットを効果的に軽減し、モデルの性能と安定性を向上させる。 我々は画像とIoTデータセットに関する広範な実験を行い、提案したHFedCKDフレームワークの一般化と堅牢性を包括的に評価し、検証する。
  論文  参考訳（メタデータ） (2025-03-09T08:32:57Z)
• FedAnchor: Enhancing Federated Semi-Supervised Learning with Label Contrastive Loss for Unlabeled Clients [19.3885479917635]
  Federated Learning(FL)は、デバイス間で共有されたグローバルモデルの協調トレーニングを促進する分散学習パラダイムである。 本稿では,サーバ上のラベル付きアンカーデータにのみ訓練された分類ヘッドと組み合わせて,アンカーヘッドと呼ばれるユニークな二重ヘッド構造を導入する,革新的なFSSL手法であるFedAnchorを提案する。 提案手法は, 高信頼度モデル予測サンプルに基づいて, 疑似ラベル技術に係わる検証バイアスと過度に適合する問題を緩和する。
  論文  参考訳（メタデータ） (2024-02-15T18:48:21Z)
• FLASH: Federated Learning Across Simultaneous Heterogeneities [54.80435317208111]
  FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。 ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。 最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
  論文  参考訳（メタデータ） (2024-02-13T20:04:39Z)
• CCNETS: A Modular Causal Learning Framework for Pattern Recognition in Imbalanced Datasets [0.0]
  Causal Cooperative Networks (CCNETS) は、統一因果パラダイム内で生成、推論、再構築を統合するモジュール型学習フレームワークである。 現実のクレジットカード不正検出データセット上でのCCNETSの評価を極端不均衡(詐欺の場合0.2%)で行う。
  論文  参考訳（メタデータ） (2024-01-07T14:41:31Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)

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。