論文の概要: Mind the Missing Split: Resolving Feature Heterogeneity in Swarm Learning with Random Forests

• arxiv url: http://arxiv.org/abs/2607.25538v1
• Date: Tue, 28 Jul 2026 10:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.795827
• Title: Mind the Missing Split: Resolving Feature Heterogeneity in Swarm Learning with Random Forests
• Title（参考訳）: マインド・ザ・ミス・スプリット(Mind the Missing Split) : ランダム森林を用いたスワム学習における特徴的不均一性の解消
• Abstract要約: Swarm Learningは、複数の組織が集中的なコーディネーションや直接的なデータ共有なしに、共有モデルをトレーニングできる分散協調学習メカニズムである。 特徴の交叉に訓練を限定することなく、これらの欠落を解消する決定論的および確率論的推論時戦略を提案する。 提案手法を9つのデータセット上で評価し,多種多様なシナリオにおいて,交差点ベースラインモデルと局所訓練モデルの両方より優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Swarm Learning is a decentralized collaborative learning mechanism that allows multiple organizations to train a shared model without central coordination or direct data sharing. In typical horizontal Swarm Learning, datasets across sites are usually assumed to share the same feature set. However, in real-world applications, sites often have partially overlapping features because measurements, protocols, and available covariates differ across sites. This feature heterogeneity creates a practical issue for machine learning algorithms such as Random Forests. Specifically, when decision trees are pooled into a global Random Forest, inference at a given site can become ill-defined if a traversal encounters a split on a feature that is not available locally, often forcing organizations to discard site-specific variables upfront. In this paper, we address feature heterogeneity in Swarm Learning with Random Forests under partially overlapping feature spaces. We propose several deterministic and probabilistic inference-time strategies that resolve such missing splits without restricting training to the intersection of features. We evaluate the methods on nine datasets and demonstrate that they outperform both the intersection baseline and locally trained models across a broad range of scenarios.
• Abstract（参考訳）: Swarm Learningは、複数の組織が集中的なコーディネーションや直接的なデータ共有なしに、共有モデルをトレーニングできる分散協調学習メカニズムである。 典型的な水平Swarm Learningでは、サイト全体にわたるデータセットは、通常同じ機能セットを共有すると仮定される。 しかし、現実世界のアプリケーションでは、測定、プロトコル、利用可能な共変量が異なるため、サイトが部分的に重複することが多い。 この特徴はランダムフォレストのような機械学習アルゴリズムに現実的な問題をもたらす。 具体的には、決定木がグローバルなランダムフォレストにプールされると、トラバースがローカルでは利用できない機能に関して分割に遭遇した場合、あるサイトでの推論が不明確になり、多くの場合、組織はサイト固有の変数を事前に破棄しなければならない。 本稿では,ランダムフォレストを用いたSwarm Learningにおける特徴の不均一性を,部分的に重なり合う特徴空間下で論じる。 特徴の交叉に訓練を限定することなく、これらの欠落を解消する決定論的および確率論的推論時戦略を提案する。 提案手法を9つのデータセット上で評価し,多種多様なシナリオにおいて,交差点ベースラインモデルと局所訓練モデルの両方より優れていることを示す。

関連論文リスト

• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• Just One Byte (per gradient): A Note on Low-Bandwidth Decentralized Language Model Finetuning Using Shared Randomness [86.61582747039053]
  分散環境での言語モデルトレーニングは、交換の通信コストによって制限される。 分散微調整を低帯域幅で行うために,共有ランダムネスを用いた最近の作業を拡張した。
  論文  参考訳（メタデータ） (2023-06-16T17:59:51Z)
• Plug In and Learn: Federated Intelligence over a Smart Grid of Models [0.0]
  本稿では,スマートパワーグリッドの動作を反映したモデルに依存しないフェデレーション学習手法を提案する。 エネルギー・プロシューマーのような 多様なローカルモデル 独自のデータで 独立して訓練する 統計学的に類似した仲間と 調整するために 軽量な信号を交換する この調整はグラフベースの正規化器によって管理され、コネクテッドモデルが共有された公開ラベルのないデータセットで同様の予測を生成することを奨励する。
  論文  参考訳（メタデータ） (2023-02-08T22:55:57Z)
• Personalizing Federated Medical Image Segmentation via Local Calibration [9.171482226385551]
  ひとつのモデルを使って、異なるサイトからさまざまなデータ分布に適応することは、非常に難しい。 現場間一貫性を活用するために,textbfLocal textbfCalibration (LC-Fed) を用いたパーソナライズドフェデレーションフレームワークを提案する。 提案手法は,最先端のパーソナライズされたFL法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-11T06:30:31Z)
• Unsupervised learning of features and object boundaries from local prediction [0.0]
  本稿では,各因子が追加のバイナリ変数とペアリングされ,その因子をオン/オフに切り替える,ペアワイズマルコフ確率場モデルによる特徴写像の層を導入する。 マルコフ確率場要素の特徴とパラメータの両方を、さらなる監視信号なしで画像から学習することができる。 宇宙空間での計算予測はセグメンテーションと特徴学習の両方に役立ち、これらの予測を最適化するために訓練されたモデルは人間の視覚システムと類似性を示す。
  論文  参考訳（メタデータ） (2022-05-27T18:54:10Z)
• Random Similarity Forests [2.3204178451683264]
  本稿では,任意のデータ型の特徴を持つデータセットを,各特徴の特徴を保ちながら扱える分類法を提案する。 提案したアルゴリズムはランダム類似林(Random similarity Forest)と呼ばれ、複数のドメイン固有の距離測定を用いて、ランダム類似林(Random Forests)の予測性能と類似林(Random similarity Forests)の柔軟性を組み合わせている。 ランダム類似林はRandom Forestsの数値データと同等であり、複雑なデータドメインや混合データドメインのデータセットよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-11T20:14:05Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• The interplay between ranking and communities in networks [0.0]
  本稿では,コミュニティ構造と階層構造との相互作用に基づく生成モデルを提案する。 それぞれのノードが相互作用機構に優先順位を持ち、同じ好みを持つノードが相互作用する可能性が高いと仮定する。 本手法は, コミュニティ検出とランキング抽出の2つの標準手法と比較して, 実世界の合成データと実世界のデータを比較した。
  論文  参考訳（メタデータ） (2021-12-23T16:10:28Z)
• Federated Learning from Small Datasets [48.879172201462445]
  フェデレーション学習は、複数のパーティが、ローカルデータを共有せずに、共同モデルを共同でトレーニングすることを可能にする。 そこで本研究では,局所モデルの置換とモデルアグリゲーションを連動させる新しい手法を提案する。 置換は、各ローカルモデルをローカルデータセットのデージーチェーンに公開することで、データスパースドメインでのより効率的なトレーニングを実現する。
  論文  参考訳（メタデータ） (2021-10-07T13:49:23Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)

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。