論文の概要: Faithful Federated Tabular Data Synthesis

• arxiv url: http://arxiv.org/abs/2610.33403v1
• Date: Sat, 24 Oct 2026 02:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.32054
• Title: Faithful Federated Tabular Data Synthesis
• Title（参考訳）: Faithful Federated Tabular Data Synthesis
• Abstract要約: 混合型表データ合成のためのフレームワークであるFederated Integrative Two-Step Synthesis (FITS)を提案する。 中心となるのは、局所線形回帰を用いて条件累積分布関数(CDF)を推定するための2段階のフェデレーションアルゴリズムである。 混合型データを扱うため、FITSは離散変数を連続空間に持ち上げる連続化法を導入した。 我々の理論解析は連続化混合型変数の条件密度と累積分布関数を特徴づける。
• 参考スコア（独自算出の注目度）: 4.662174186673445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic data is an important data source in the AI era. This paper studies the generation of mixed-type tabular synthetic data in federated settings, where two key challenges arise: ensuring distributional fidelity and effectively handling mixed-type data. We propose Federated Integrative Two-Step Synthesis (FITS), a framework for mixed-type tabular data synthesis. At its core is a two-step federated algorithm for estimating conditional cumulative distribution functions (CDFs) using local linear regression. Building on this algorithm, we develop a federated synthesis procedure based on the probability chain rule to ensure distributional fidelity. To handle mixed-type data, FITS introduces a continualization method that lifts discrete variables into a continuous space and recovers their discrete distributions without loss at both the density-function and CDF levels. This transformation provides a unified continuous representation of mixed-type variables, facilitating the application of local linear regression and synthetic data generation. Our theoretical analysis characterizes the conditional density and cumulative distribution functions of the continualized mixed-type variables and establishes the uniform convergence of the resulting federated conditional CDF estimators. Experiments demonstrate that FITS-generated synthetic data improves downstream task performance for all clients, with the benefits depending on how the synthetic data is used.
• Abstract（参考訳）: 合成データは、AI時代の重要なデータソースである。 本稿では,混合型表型合成データのフェデレーション環境における生成について検討する。そこでは,分布の忠実さの確保と混合型データの効果的処理という2つの重要な課題が生じる。 混合型表データ合成のためのフレームワークであるFederated Integrative Two-Step Synthesis (FITS)を提案する。 中心となるのは、局所線形回帰を用いて条件累積分布関数(CDF)を推定するための2段階のフェデレーションアルゴリズムである。 このアルゴリズムに基づいて,確率連鎖則に基づくフェデレーション合成法を開発し,分布の忠実性を確保する。 混合型データを扱うため、FITSは離散変数を連続空間に引き上げ、密度関数とCDFの両方のレベルで損失を伴わずに離散分布を復元する連続化法を導入した。 この変換は混合型変数の統一された連続表現を提供し、局所線形回帰と合成データ生成の応用を容易にする。 本理論解析では, 連続混合型変数の条件密度と累積分布関数を特徴付け, 結果として生じる条件付きCDF推定器の一様収束性を確立する。 実験により、FITS生成合成データにより、すべてのクライアントのダウンストリームタスク性能が向上し、合成データの使用方法による利点が示された。

関連論文リスト

• Rethinking Data Augmentation under Covariate Shift: Invariant-Guided Diffusion and Prototype Reweighting [48.25268129930951]
  我々は,孤立点ではなく構造クラスタによるサンプル信頼性を評価するプロトタイプベースのリウェイト手法を開発した。 本手法は,ロバスト学習に最も有用なデータを増やすことにより,データ品質を向上させる。
  論文  参考訳（メタデータ） (2026-10-01T00:46:17Z)
• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• SynPre-FL: Synthetic data-driven pretraining integrated Federated Learning training framework [11.908618960989008]
  非IID条件下での頑健な予測のために,高忠実度合成EHR生成と合成事前学習FLを組み合わせた統合フレームワークを提案する。 潜在自己エンコーダ拡散モデルでは、フェデレーショントレーニングのウォームスタートに使用されるプライバシー保護型合成コホートを生成する。 ポストホックキャリブレーションとフェデレーションセーフの説明可能性は信頼性と解釈可能なリスク推定をサポートする。
  論文  参考訳（メタデータ） (2026-07-21T19:12:48Z)
• Geometry-Aware Dataset Condensation for Diffusion Model Training [103.45641113998839]
  幾何学的分布アライメント問題として,実部分集合選択を再構成することを提案する。 本手法は,一方的な部分的最適輸送を組み込むことで,コンパクトな部分集合を全データ分布に選択的に整列させる。 拡散変形, 部分集合サイズ, 画像解像度, 訓練ラウンドにおける実験により, 本手法が優れた忠実度と分布範囲を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-04T08:53:58Z)
• HeteroFedSyn: Differentially Private Tabular Data Synthesis for Heterogeneous Federated Settings [19.298643158289906]
  我々は,新しいタイプの微分プライバシー(DP)データ合成フレームワークであるHeteroFedSynを提案する。 HeteroFedSynは、水平の連邦設定に特化して設計されている。 HeteroFedSynは、フェデレートされた実行に固有のノイズの増加にもかかわらず、集中型合成に匹敵する実用性を実現している。
  論文  参考訳（メタデータ） (2026-03-09T18:44:01Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Combining propensity score methods with variational autoencoders for generating synthetic data in presence of latent sub-groups [0.0]
  ヘテロジニティは、例えば、サブグループラベルによって示されるように知られ、あるいは未知であり、双曲性や歪みのような分布の性質にのみ反映されるかもしれない。 本研究では,変分オートエンコーダ(VAE)から合成データを取得する際に,このような異種性をどのように保存し,制御するかを検討する。
  論文  参考訳（メタデータ） (2023-12-12T22:49:24Z)
• Fully Embedded Time-Series Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Networks)は、モデル化されているデータの基盤となる分布に適合する合成データを生成する。 実値の時系列データの場合、これはデータの静的な分布を同時にキャプチャする必要があるだけでなく、潜在的な時間的地平線に対するデータの完全な時間的分布も同時に取得する必要があることを意味する。 FETSGANでは、全シーケンスはSeq2seqスタイルの逆自動エンコーダ(AAE)を使用して、ジェネレータのサンプリング空間に直接変換される。
  論文  参考訳（メタデータ） (2023-08-30T03:14:02Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)

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。