論文の概要: Principled Federated Random Forests for Heterogeneous Data

• arxiv url: http://arxiv.org/abs/2602.03258v1
• Date: Tue, 03 Feb 2026 08:41:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.334355
• Title: Principled Federated Random Forests for Heterogeneous Data
• Title（参考訳）: 不均質データのための原則付ランダムフォレスト
• Authors: Rémi Khellaf, Erwan Scornet, Aurélien Bellet, Julie Josse,
• Abstract要約: 我々は、水平分割データのための新しいフェデレートランダムフォレストアルゴリズムであるFedForestを提案する。 我々は、慎重に選択されたクライアント統計を集約した分割手順が、集中型アルゴリズムによって選択された分割を近似していることを証明する。 また、FedForestはクライアントインジケータの分割を可能にし、非パラメトリックなパーソナライゼーションの形式を可能にすることも示しています。
• 参考スコア（独自算出の注目度）: 19.544248463207612
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Random Forests (RF) are among the most powerful and widely used predictive models for centralized tabular data, yet few methods exist to adapt them to the federated learning setting. Unlike most federated learning approaches, the piecewise-constant nature of RF prevents exact gradient-based optimization. As a result, existing federated RF implementations rely on unprincipled heuristics: for instance, aggregating decision trees trained independently on clients fails to optimize the global impurity criterion, even under simple distribution shifts. We propose FedForest, a new federated RF algorithm for horizontally partitioned data that naturally accommodates diverse forms of client data heterogeneity, from covariate shift to more complex outcome shift mechanisms. We prove that our splitting procedure, based on aggregating carefully chosen client statistics, closely approximates the split selected by a centralized algorithm. Moreover, FedForest allows splits on client indicators, enabling a non-parametric form of personalization that is absent from prior federated random forest methods. Empirically, we demonstrate that the resulting federated forests closely match centralized performance across heterogeneous benchmarks while remaining communication-efficient.
• Abstract（参考訳）: ランダムフォレスト(RF)は、中央の表層データに対して最も強力で広く使用される予測モデルであるが、これらを連合学習環境に適応させる手法は少ない。 多くのフェデレートされた学習手法とは異なり、RFのピースワイズ・コンスタントな性質は正確な勾配に基づく最適化を妨げている。 例えば、クライアントで独立して訓練された決定木を集約することは、単純な分散シフトであっても、グローバルな不純物基準の最適化に失敗する。 我々は,共変量シフトからより複雑な結果シフト機構に至るまで,多種多様なクライアントデータの異種性に自然に対応する,水平分割データのための新しいフェデレートRFアルゴリズムであるFedForestを提案する。 我々は、慎重に選択されたクライアント統計を集約した分割手順が、集中型アルゴリズムによって選択された分割を近似することを証明した。 さらに、FedForestはクライアントインジケータの分割を可能にし、以前のフェデレートされたランダムフォレストメソッドにはない、非パラメトリックなパーソナライゼーションの形式を可能にする。 実験により,連合林は,コミュニケーション効率を保ちながら,異種ベンチマーク全体の集中的性能と密に一致していることが実証された。

関連論文リスト

• Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。 冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
  論文  参考訳（メタデータ） (2025-09-29T14:06:52Z)
• FedDuA: Doubly Adaptive Federated Learning [2.6108066206600555]
  フェデレーション学習(Federated Learning)は、クライアントが生データを共有せずにグローバルモデルを共同でトレーニングする分散学習フレームワークである。 我々は、ミラー降下レンズによる中央サーバ最適化手順を定式化し、FedDuAと呼ばれる新しいフレームワークを提案する。 提案した2次適応型ステップサイズルールは最小限最適であり,凸対象に対する収束解析を提供する。
  論文  参考訳（メタデータ） (2025-05-16T11:15:27Z)
• 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)
• Adaptive Federated Learning via New Entropy Approach [14.595709494370372]
  Federated Learning (FL) は、分散機械学習フレームワークとして注目されている。 本稿では,不均一クライアント間のパラメータ偏差を軽減するために,entropy理論(FedEnt)に基づく適応型FEDerated Learningアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-27T07:57:04Z)
• 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)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• 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)
• 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)
• Robustness and Personalization in Federated Learning: A Unified Approach via Regularization [4.7234844467506605]
  我々は、Fed+と呼ばれる堅牢でパーソナライズされたフェデレーション学習のための一連の方法を提案する。 Fed+の主な利点は、フェデレートトレーニングで見られる現実世界の特徴をよりよく適応することである。 ベンチマークデータセットに関する広範な実験を通じて、Fed+の利点を実証する。
  論文  参考訳（メタデータ） (2020-09-14T10:04:30Z)

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。