論文の概要: Federated Targeted Maximum Likelihood Estimation

• arxiv url: http://arxiv.org/abs/2609.30503v1
• Date: Thu, 24 Sep 2026 19:43:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.1245
• Title: Federated Targeted Maximum Likelihood Estimation
• Title（参考訳）: Federated Targeted Maximum Likelihood Estimation
• Abstract要約: クロスサイロ学習は計算をデータに移動させ、合意された要約を交換する。 我々は2つのサイロを通して、任意の目標、損失、変動家族のためのターゲティング自体を連携させた。 FedTMLEGは、局所的な勾配を集約し、ステップの集中的なターゲティングステップを再現する。 FedTMLELは、各機関が適合した更新を単一に交換する前に、独自のゆらぎを完了させる。
• 参考スコア（独自算出の注目度）: 15.722746871859593
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The evidence behind a scientific or operational decision is often held by hospitals, banks, or registries that cannot pool individual observations. Cross-silo federated learning moves computation to the data and exchanges agreed summaries. Targeted maximum likelihood estimation (TMLE) refines a flexible initial fit, yielding plug-in estimators that respect the model and support efficient inference. TMLE itself, however, has remained a fully centralized procedure. To fill this gap, our paper introduces the first federated TMLE algorithm. We federate targeting itself, for an arbitrary target, loss, and fluctuation family, through two complementary frameworks. FedTMLE-G aggregates local gradients and reproduces centralized targeting step for step. FedTMLE-L lets each institution complete its own fluctuation fit before a single exchange of fitted updates, trading synchronized fidelity for local autonomy. For gradient aggregation, we develop a finite-precision protocol that transmits changes rather than values and certifies targeting accuracy within explicit bounds on exchanges and bits. A description-length analysis of the accepted updates then shows that this finite communication leaves numerical targeting error negligible against sampling uncertainty. The cost of computing an estimator is thus distinct from the complexity of selecting it. Our analysis also indicates that keeping data local is not itself a privacy guarantee of TMLE, since instability of full-record reconstruction need not prevent recovery of a specified sensitive attribute. For a personalized version of local averaging, institutions retain their own estimates and leave once local targeting is complete. A nonconvex convergence bound charges the improvement forfeited through averaging to disagreement among local fits and exposes a tradeoff between equal institutional influence and the sampling variability of small silos.
• Abstract（参考訳）: 科学的または運用上の決定の背後にある証拠は、個々の観察をプールできない病院、銀行、レジストリによってしばしば保持される。 クロスサイロ連合学習は、計算をデータに移動し、合意された要約を交換する。 TMLE(Targeted maximum max estimation)はフレキシブルな初期適合性を改良し、モデルを尊重し効率的な推論をサポートするプラグイン推定器を提供する。 しかしTMLE自体は、完全に中央集権的な手順のままである。 このギャップを埋めるために,本論文では,最初のフェデレートTMLEアルゴリズムを提案する。 2つの補完的なフレームワークを通じて、任意の目標、損失、変動する家族に対して、ターゲティング自体をフェデレートした。 FedTMLE-Gは局所的な勾配を集約し、ステップの集中的なターゲティングステップを再現する。 FedTMLE-Lは、各機関が単一の更新を交換する前に独自の変動を完了し、地域自治のために同期された忠実さを交換する。 グラデーションアグリゲーションのために、我々は、値よりも変化を送信し、交換とビットの明示的な境界内でターゲット精度を認証する有限精度プロトコルを開発する。 受信した更新に関する記述長分析により、この有限な通信はサンプリングの不確実性に対して数値的目標誤差を無視できることを示す。 推定器の計算コストは、その選択の複雑さとは明らかに異なる。 また,データ局所保存はTMLEのプライバシ保証ではないことも示唆した。 地域平均化のパーソナライズされたバージョンでは、組織は独自の見積もりを保持し、ローカルなターゲティングが完了すると出発する。 非凸収束バウンダリは、局所的な適合間の不一致を平均化し、同じ制度的影響と小さなサイロのサンプリング変動とのトレードオフを露呈する。

関連論文リスト

• Online Supervised Dimension Reduction with Random Features: Diagnostics and Computational Trade-offs [3.7044133020722954]
  Online Kernel Supervised principal Component Analysis (OKSPCA)は、有限乱数係数座標における中心となるクロスモーメントと、確立された目的に対するAdamスタイルの正則基底更新を組み合わせたものである。 有限乱数係数座標における中心的クロスモーメントと、確立された目的に対するAdamスタイルの正規直交基底更新を組み合わせたOKSPCAについて、これらの区別について検討する。
  論文  参考訳（メタデータ） (2026-09-17T14:19:29Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• K$α$LOS finds Consensus: A Meta-Algorithm for Evaluating Inter-Annotator Agreement in Complex Vision Tasks [4.297070083645049]
  本稿では,「ローカライゼーションファースト」の原理を一般化した統一メタアルゴリズムであるK$LOSを提案する。 合意を査定する前に空間対応を解消することにより,複雑な分類問題を名目上の信頼性に変換する。
  論文  参考訳（メタデータ） (2026-03-28T08:54:05Z)
• Conformal changepoint localization [36.191356601153146]
  配電系統におけるオフライン変更点の局所化問題について検討する。 我々は、他の仮定をせずに変化が起こる指数に対して有限サンプルの信頼セットを生成する。 実験によると、CONCHは画像やテキストを含む困難な設定であっても、正確な信頼セットを提供する。
  論文  参考訳（メタデータ） (2026-02-05T23:50:53Z)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• On the Practicality of Differential Privacy in Federated Learning by Tuning Iteration Times [51.61278695776151]
  フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。 最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。 ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
  論文  参考訳（メタデータ） (2021-01-11T19:43:12Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)
• Tackling the Objective Inconsistency Problem in Heterogeneous Federated Optimization [93.78811018928583]
  本稿では、フェデレートされた異種最適化アルゴリズムの収束性を分析するためのフレームワークを提供する。 我々は,高速な誤差収束を保ちながら,客観的な矛盾を解消する正規化平均化手法であるFedNovaを提案する。
  論文  参考訳（メタデータ） (2020-07-15T05:01:23Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。