論文の概要: FedSCS-XGB -- Federated Server-centric surrogate XGBoost for continual health monitoring
- arxiv url: http://arxiv.org/abs/2603.06224v1
- Date: Fri, 06 Mar 2026 12:34:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 13:17:45.701552
- Title: FedSCS-XGB -- Federated Server-centric surrogate XGBoost for continual health monitoring
- Title（参考訳）: FedSCS-XGB -- 継続的な健康モニタリングのためのフェデレーションサーバ中心のサロゲートXGBoost
- Authors: Felix Walger, Mehdi Ejtehadi, Anke Schmeink, Diego Paez-Granados,
- Abstract要約: 本稿では,勾配ブースト決定木(XGBoost)に基づくウェアラブルセンサデータから,ヒューマンアクティビティ認識(HAR)のための分散機械学習プロトコルを提案する。
提案アーキテクチャはParty-Adaptive XGBoost(PAX)にインスパイアされ,標準XGBoostの重要な構造と最適化特性を明示的に保持する。
- 参考スコア（独自算出の注目度）: 14.625059417590421
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wearable sensors with local data processing can detect health threats early, enhance documentation, and support personalized therapy. In the context of spinal cord injury (SCI), which involves risks such as pressure injuries and blood pressure instability, continuous monitoring can help mitigate these by enabling early deDtection and intervention. In this work, we present a novel distributed machine learning (DML) protocol for human activity recognition (HAR) from wearable sensor data based on gradient-boosted decision trees (XGBoost). The proposed architecture is inspired by Party-Adaptive XGBoost (PAX) while explicitly preserving key structural and optimization properties of standard XGBoost, including histogram-based split construction and tree-ensemble dynamics. First, we provide a theoretical analysis showing that, under appropriate data conditions and suitable hyperparameter selection, the proposed distributed protocol can converge to solutions equivalent to centralized XGBoost training. Second, the protocol is empirically evaluated on a representative wearable-sensor HAR dataset, reflecting the heterogeneity and data fragmentation typical of remote monitoring scenarios. Benchmarking against centralized XGBoost and IBM PAX demonstrates that the theoretical convergence properties are reflected in practice. The results indicate that the proposed approach can match centralized performance up to a gap under 1\% while retaining the structural advantages of XGBoost in distributed wearable-based HAR settings.
- Abstract（参考訳）: ローカルデータ処理を備えたウェアラブルセンサーは、早期に健康上の脅威を検出し、ドキュメンテーションを強化し、パーソナライズされた治療をサポートする。
圧迫損傷や血圧不安定などのリスクを伴う脊髄損傷(SCI)の文脈では、継続的なモニタリングは早期の判断と介入を可能にすることでこれらを緩和するのに役立つ。
本研究では,勾配ブースト決定木(XGBoost)に基づくウェアラブルセンサデータから,ヒューマンアクティビティ認識(HAR)のための分散機械学習(DML)プロトコルを提案する。
提案アーキテクチャは党適応型XGBoost(PAX)にインスパイアされ,ヒストグラムに基づく分割構成やツリーアンサンブルダイナミクスを含む標準XGBoostの重要な構造と最適化特性を明示的に保存する。
まず、適切なデータ条件と適切なハイパーパラメータ選択の下で、提案した分散プロトコルが、集中型XGBoostトレーニングに相当するソリューションに収束できることを理論的に示す。
第2に、このプロトコルは、リモート監視のシナリオに典型的な不均一性とデータの断片化を反映して、代表的なウェアラブルセンサHARデータセットで実証的に評価される。
集中型XGBoostとIBM PAXに対するベンチマークは、理論収束特性が実際に反映されていることを示す。
提案手法は,分散ウェアラブルベースのHAR設定において,XGBoostの構造上の優位性を保ちながら,集中的な性能を1/%以下まで向上させることができることを示す。
関連論文リスト
- Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。
本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-28T11:40:18Z) - SGDC: Structurally-Guided Dynamic Convolution for Medical Image Segmentation [12.762805574920629]
本稿では,SGDC(Structure-Guided Dynamic Convolution)機構を提案する。
提案手法は,平均プールによる情報損失を効果的に防止する。
ISIC 2016、PH2、ISIC 2018、CoNICデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-26T20:59:51Z) - Learning Causality for Longitudinal Data [1.2691047660244335]
この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。
最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。
第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。
第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
論文 参考訳（メタデータ） (2025-12-04T16:51:49Z) - Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。
フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。
算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
論文 参考訳（メタデータ） (2025-11-13T07:26:01Z) - Smart Sensor Placement: A Correlation-Aware Attribution Framework (CAAF) for Real-world Data Modeling [11.354527723215568]
最適センサー配置(OSP)は、実世界のシステムにおいて、効率的で正確な監視、制御、推論に重要である。
興味の量を予測するためのOSPを識別するための,機械学習に基づく特徴属性フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-26T03:50:16Z) - Nonparametric Bellman Mappings for Value Iteration in Distributed Reinforcement Learning [8.324857108715007]
本稿では,分散強化学習(DRL)における値反復(VI)のためのベルマン写像(B-Maps)を提案する。
各エージェントは、そのプライベートデータから非パラメトリックなBマップを構築し、再生されたカーネルヒルベルト空間で表されるQ関数を操作する。
詳細な性能解析により,提案するDRLフレームワークは集中ノードの性能を効果的に近似することを示した。
論文 参考訳（メタデータ） (2025-03-20T14:39:21Z) - Adaptive Clustering for Efficient Phenotype Segmentation of UAV Hyperspectral Data [1.6135226672466307]
無人航空機 (UAV) とハイパースペクトルイメージング (HSI) が組み合わさって、環境および農業用途の可能性を秘めている。
本稿では,リアルタイムツリー表現型セグメンテーションのためのオンラインハイパースペクトル簡易線形反復クラスタリングアルゴリズム(OHSLIC)を提案する。
論文 参考訳（メタデータ） (2025-01-17T13:48:04Z) - Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。
DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。
DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
論文 参考訳（メタデータ） (2024-10-09T13:45:54Z) - Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
Weak-to-strong Semantics Compensation (WSCo)を導入する。
WSCoは、クラス関連セマンティクスを補う。
WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
論文 参考訳（メタデータ） (2024-10-07T23:32:06Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z)
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。