論文の概要: PrivFusion: A Privacy-preserving Multi-Agent Framework for Harmonizing Distributed Datasets

• arxiv url: http://arxiv.org/abs/2605.24249v1
• Date: Fri, 22 May 2026 21:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.827161
• Title: PrivFusion: A Privacy-preserving Multi-Agent Framework for Harmonizing Distributed Datasets
• Title（参考訳）: PrivFusion: 分散データセットの調和のためのプライバシ保護型マルチエージェントフレームワーク
• Authors: Anisa Halimi, Liubov Nedoshivina, Kieran Fraser, Stefano Braghin,
• Abstract要約: PrivFusionは、フェデレーショントレーニングの前に構造化データセットの調和を自動化する、プライバシ保護のマルチエージェントフレームワークである。 また,PrivFusionは多地点データを効果的かつ効率的に調和させ,手作業を大幅に削減することを示した。
• 参考スコア（独自算出の注目度）: 1.4691847238562936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing availability of clinical data has increased the use of machine learning, yet centralized data aggregation is often infeasible for sensitive health information. Federated Learning (FL) offers a distributed alternative, but its adoption is limited by substantial heterogeneity across institutional datasets, making harmonization a critical but frequently overlooked prerequisite for multi-site analytics. We introduce PrivFusion, a privacy-preserving multi-agent framework that automates the harmonization of structured datasets prior to federated training. PrivFusion uses agents to analyze local data, cluster semantically similar features across sites, and provide iterative transformation recommendations until alignment is achieved. Evaluation across four heterogeneous COVID-19 datasets demonstrates that PrivFusion effectively and efficiently harmonizes multi-site data while substantially reducing manual effort.
• Abstract（参考訳）: 臨床データの利用が増加し、機械学習の利用が増加したが、センシティブな健康情報には中央集権的なデータアグリゲーションが利用できないことがしばしばある。 フェデレーテッド・ラーニング(FL)は分散した代替手段を提供するが、その採用は機関のデータセット間の実質的な異質性によって制限されるため、ハーモニゼーションは重要だが、多地点分析の前提条件としてしばしば見過ごされる。 フェデレートトレーニングの前に構造化データセットの調和を自動化するプライバシー保護型マルチエージェントフレームワークであるPrivFusionを紹介する。 PrivFusionはエージェントを使用して、ローカルデータを分析し、サイト間でセマンティックに類似した機能をクラスタ化し、アライメントが完了するまで反復的な変換レコメンデーションを提供する。 4つの不均一なCOVID-19データセットに対する評価は、PrivFusionが複数のサイトデータを効果的に効率的に調和させ、手作業を大幅に削減することを示している。

関連論文リスト

• Federated Learning of Dynamic Bayesian Network via Continuous Optimization from Time Series Data [2.4305626489408465]
  現実のシナリオでは、データは複数のエンティティに分散され、動的ベイズネットワークを協調的に学習しようとする。 本研究では,同種時系列データから動的ベイズネットワークの構造を推定するフェデレート学習手法を提案する。 そして、このアプローチを、パーソナライズされたフェデレーション学習フレームワークにおいて、近似演算子を正規化項として組み込むことにより、異種時系列データに拡張する。
  論文  参考訳（メタデータ） (2024-12-13T03:09:35Z)
• Privacy-preserving datasets by capturing feature distributions with Conditional VAEs [0.11999555634662634]
  条件付き変分オートエンコーダ(CVAE)は、大きな事前学習された視覚基盤モデルから抽出された特徴ベクトルに基づいて訓練される。 本手法は, 医用領域と自然画像領域の両方において, 従来のアプローチよりも優れている。 結果は、データスカースおよびプライバシに敏感な環境におけるディープラーニングアプリケーションに大きな影響を与える生成モデルの可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-01T15:26:24Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
  フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。 FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。 本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
  論文  参考訳（メタデータ） (2024-03-10T08:41:22Z)
• Federated Learning Empowered by Generative Content [55.576885852501775]
  フェデレートラーニング(FL)は、プライバシ保護方法でモデルのトレーニングに分散プライベートデータを活用可能にする。 本稿では,FedGCと呼ばれる新しいFLフレームワークを提案する。 我々は、さまざまなベースライン、データセット、シナリオ、モダリティをカバーする、FedGCに関する体系的な実証的研究を行う。
  論文  参考訳（メタデータ） (2023-12-10T07:38:56Z)
• Privacy Preserving Bayesian Federated Learning in Heterogeneous Settings [20.33482170846688]
  本稿では,大規模なローカルデータセットがなくても,カスタマイズされたローカルベイズモデルに基づく統合学習フレームワークを提案する。 ネットワークの機能的(アウトプット)空間における事前情報を用いて、異種クライアント間のコラボレーションを容易にする。 標準FLデータセットを用いた実験により、同種および異種両方の設定において、我々のアプローチが強いベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-13T17:55:30Z)
• Federated Learning in Non-IID Settings Aided by Differentially Private Synthetic Data [20.757477553095637]
  Federated Learning(FL)は、クライアントが機械学習モデルを協調的にトレーニングすることを可能にする、プライバシプロモーティングフレームワークである。 連合学習における大きな課題は、局所データが不均一であるときに生じる。 我々は、クライアントが変動自動エンコーダをデプロイして、遅延データ表現の微分プライベートな手段を用いて、ローカルデータセットを合成するFLアルゴリズムであるFedDPMSを提案する。
  論文  参考訳（メタデータ） (2022-06-01T18:00:48Z)
• Personalization Improves Privacy-Accuracy Tradeoffs in Federated Optimization [57.98426940386627]
  局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。 合成および実世界のデータセットに関する実験により理論的結果について述べる。
  論文  参考訳（メタデータ） (2022-02-10T20:44:44Z)
• GS-WGAN: A Gradient-Sanitized Approach for Learning Differentially Private Generators [74.16405337436213]
  我々は、GS-WGAN(Gradient-sanitized Wasserstein Generative Adrial Networks)を提案する。 GS-WGANは、厳格なプライバシー保証を備えた機密データの衛生的な形式での公開を可能にする。 このアプローチは、複数のメトリクスにわたる最先端のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2020-06-15T10:01:01Z)

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。