Fugu-MT 論文翻訳(概要): A Differentially Private Federated Proximal Optimization Framework for Customer Churn Prediction in Heterogeneous Federated Telecom Networks

論文の概要: A Differentially Private Federated Proximal Optimization Framework for Customer Churn Prediction in Heterogeneous Federated Telecom Networks

arxiv url: http://arxiv.org/abs/2609.12470v1
Date: Fri, 11 Sep 2026 06:08:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.638585
Title: A Differentially Private Federated Proximal Optimization Framework for Customer Churn Prediction in Heterogeneous Federated Telecom Networks
Title（参考訳）: 不均質なフェデレーション通信網における顧客チャーン予測のための微分プライベートフェデレーション近位最適化フレームワーク
Abstract要約: 本稿では,DPをベースとしたFedProx(Federated Proximal Optimization)フレームワークを提案する。我々は、FedAvg(FedAvg)、DP-FedAvg、FedProx、提案されているDP-FedProxフレームワークを訓練した。提案するDP-FedProxフレームワークは,最良集中型モデルと比較して,プライバシ保証を提供しながら,最小限の精度で競合予測性能を実現する。
参考スコア（独自算出の注目度）: 2.074171159405138
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Customer churn is one of the major issues in the telecommunication industry. To predict customer churn, conventional centralized machine learning approaches have been widely used. This centralized approach requires customer data to be stored in a central repository, which raises privacy concerns and may violate data protection regulations. Federated learning addresses this problem by allowing multiple telecom operators to collaboratively train a global model without transferring their raw customer data. However, real-world customer data are often heterogeneous (non-IID), which may negatively affect the performance of standard federated learning. Trained models can also suffer from privacy attacks. To address those issues, we propose a Differentially Private (DP) based Federated Proximal optimization (FedProx) framework. All experiments were performed on two publicly available telecom churn datasets. We trained Federated Averaging (FedAvg), DP-FedAvg, FedProx, and the proposed DP-FedProx framework. For baseline comparison, we also used several centralized and local models. To evaluate the models, we employed seven widely used evaluation metrics. The experimental results show that the FedProx based models consistently outperform the FedAvg based models. Compared with the best centralized model, the proposed DP-FedProx framework achieves competitive prediction performance with only a small reduction in accuracy while providing privacy guarantees. To explain our model, we conducted SHAP analysis which shows that DP-FedProx method priorities revenue group features. These results indicate that the proposed DP-FedProx framework provides a practical balance between prediction performance and data privacy protection.
Abstract（参考訳）: 顧客チャーンは通信業界で大きな問題の1つだ。顧客の混乱を予測するため、従来の集中型機械学習アプローチが広く使用されている。この集中型アプローチでは、顧客のデータを中央リポジトリに格納する必要がある。フェデレーション学習は、複数の通信事業者が、生の顧客データを転送することなく、協力的にグローバルモデルのトレーニングを行うことで、この問題に対処する。しかし、現実世界の顧客データは、しばしば異種(非IID)であり、標準的なフェデレート学習のパフォーマンスに悪影響を及ぼす可能性がある。訓練されたモデルは、プライバシー攻撃に悩まされることもある。これらの問題に対処するために、差分プライベート(DP)ベースのフェデレーションプロキシ最適化(FedProx)フレームワークを提案する。すべての実験は2つの公開通信チャーンデータセットで実施された。我々は、FedAvg(FedAvg)、DP-FedAvg、FedProx、提案されているDP-FedProxフレームワークを訓練した。ベースライン比較には、複数の集中型モデルと局所型モデルも使用しました。モデルを評価するために,広く利用されている評価指標を7つ採用した。実験の結果,FedProxベースのモデルはFedAvgベースのモデルより一貫して優れていた。提案するDP-FedProxフレームワークは,最良集中型モデルと比較して,プライバシ保証を提供しながら,最小限の精度で競合予測性能を実現する。モデルを説明するために,我々は,DP-FedProx法が収益群の特徴を優先することを示すSHAP分析を行った。これらの結果から,提案するDP-FedProxフレームワークは,予測性能とデータプライバシ保護の現実的なバランスを提供することが示された。

関連論文リスト

Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
論文参考訳（メタデータ） (2026-01-31T03:11:51Z)
Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy [8.683908900328237]
プライバシー予算に基づいてクライアントをグループに分割し,各グループ内のクライアントレベルのDPを実現し,プライバシー予算の無駄を削減するGDPFedを提案する。また、GDPFed$+$を導入することで、不要なノイズを排除し、グループごとのクライアントサンプリング比率を最適化します。
論文参考訳（メタデータ） (2025-05-19T18:55:34Z)
An Interactive Framework for Implementing Privacy-Preserving Federated Learning: Experiments on Large Language Models [7.539653242367701]
フェデレートラーニング(FL)は、ユーザのデータをローカルデバイスに保存することで、プライバシを高める。最近の攻撃は、トレーニング中にユーザーが共有したアップデートが、データに関する重要な情報を明らかにすることを実証している。プライバシ実践者としての人間エンティティを統合し,モデルのプライバシとユーティリティの最適なトレードオフを決定するフレームワークを提案する。
論文参考訳（メタデータ） (2025-02-11T23:07:14Z)
Metric Privacy in Federated Learning for Medical Imaging: Improving Convergence and Preventing Client Inference Attacks [5.341901833426653]
フェデレートラーニング(Federated Learning)とは、異なるデータオーナによるグローバルモデルのトレーニングを可能にする、分散学習技術である。差分プライバシー(DP)は、ノイズを加えることでグローバルモデルを民営化するために利用することができる。本稿では,従来のサーバ側グローバルDPが集約モデルの収束に与える影響を軽減するために,メートル法プライバシの概念を導入する。
論文参考訳（メタデータ） (2025-02-03T13:41:52Z)
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)
Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
論文参考訳（メタデータ） (2024-11-03T12:10:20Z)
Optimizing Cross-Client Domain Coverage for Federated Instruction Tuning of Large Language Models [87.49293964617128]
大規模言語モデル(LLM)のためのFedDIT(Federated Domain-specific instruction tuning)は、分散プライベートデータと限定データを用いて、特定のドメインの性能を向上させることを目的としている。データ不均一性ではなく、クロスクライアントなドメインカバレッジが重要な要素であることを実証的に証明します。我々は多様性指向のクライアントセンターの選択と検索に基づく拡張を通じて、このカバレッジを明示的に最大化するアルゴリズムであるFedDCAを紹介する。
論文参考訳（メタデータ） (2024-09-30T09:34:31Z)
Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。従来の偽造検出手法は、データを直接集中的に訓練する。本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
論文参考訳（メタデータ） (2024-06-17T02:20:30Z)
Blockchain-based Optimized Client Selection and Privacy Preserved Framework for Federated Learning [2.4201849657206496]
フェデレートラーニング(Federated Learning)は、大規模ニューラルネットワークモデルをトレーニングする分散メカニズムで、複数のクライアントが参加する。この機能により、フェデレーション学習はデータのプライバシー問題に対するセキュアなソリューションとみなされる。ブロックチェーンベースの最適化クライアント選択とプライバシ保護フレームワークを提案しました。
論文参考訳（メタデータ） (2023-07-25T01:35:51Z)
Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文参考訳（メタデータ） (2023-05-01T20:04:46Z)
Balancing Privacy and Performance for Private Federated Learning Algorithms [4.681076651230371]
Federated Learning(FL)は、複数のクライアントがプライベートデータを公開せずにモデルをトレーニングする分散機械学習フレームワークである。 FLアルゴリズムは、共有前に各クライアントのモデル更新にノイズを導入する差分プライバシーメカニズムを頻繁に採用する。ローカルステップの数と通信ラウンドの間に最適なバランスがあることを示し、プライバシー予算内での収束性能を最大化する。
論文参考訳（メタデータ） (2023-04-11T10:42:11Z)
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)

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。