論文の概要: Differentially Private Federated Class-Incremental Learning for EEG Mental State Classification
- arxiv url: http://arxiv.org/abs/2611.17944v1
- Date: Fri, 13 Nov 2026 09:31:03 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:26:38.585872
- Title: Differentially Private Federated Class-Incremental Learning for EEG Mental State Classification
- Title(参考訳): 脳波精神状態分類のための差分私的フェデレーションクラスインクリメンタルラーニング
- Abstract要約: そこで我々は,小コホート体制下での個人的連携型クラスインクリメンタルラーニングについて検討した。
我々は、Synaptic-Intelligence Consolidationとラタグ適応型FedProx項を組み合わせたFedEEGを提案する。
クラススコーピングの診断では、50.5%pm3.6%の精度で6つの種と2.2倍の確率で診断される。
- 参考スコア(独自算出の注目度): 0.3779860024918729
- License:
- Abstract: Federated learning (FL) under differential privacy (DP) is typically evaluated on large client cohorts, where subsampling and cross-client averaging amplify privacy and smooth injected noise. Personal biosignal applications such as wearable EEG instead involve small federations of a handful of subjects, a regime whose interaction with formal client-level DP is largely uncharacterized. We study differentially private federated class-incremental learning in this small-cohort regime, combining a public EEG dataset with a custom four-channel MUSE 2 recording set into a K=5-client federation, and give a masked per-class training protocol that avoids degenerate gradients and missing negative supervision under class-incremental streaming. We propose FedEEG, combining Synaptic-Intelligence consolidation with a lagged adaptive FedProx term, and show it reduces catastrophic forgetting relative to FedAvg, FedProx, and a federated Learning-without-Forgetting baseline; on-device balanced-batch replay reduces mean forgetting by a further 56.7%. A class-scoping diagnosis yields $50.5\%\pm3.6\%$ accuracy with 6 seeds and 2.02 times chance. We also introduce head-scoped client-level DP, which protects the classification head and alone reduces the achievable $\varepsilon$ by 200 times at a matched round budget; combined with fewer communication rounds it reaches $\varepsilon\!\approx\!10.4$ with utility not statistically distinguishable from non-private training.
- Abstract(参考訳): 差分プライバシー(DP)下でのフェデレーション学習(FL)は、一般に大規模なクライアントコホートで評価される。
ウェアラブルEEGのような個人生体信号の応用は、少数の被験者の小さな連合を伴い、正式なクライアントレベルDPとの相互作用はほとんど文字化されていない。
我々は,この小規模コーホートシステムにおいて,公的なEEGデータセットとカスタム4チャンネルのMUSE 2記録セットをK=5サイクルのフェデレーションに組み合わせ,退行勾配を回避し,クラス増分ストリーミングにおける負の監督を欠くマスク付きクラスごとのトレーニングプロトコルを提案する。
本稿では,FedAvg,FedProx,FedAvg,FedProxに対して,Synaptic-Intelligence Consolidationと適応型FedProxという用語を併用することにより,FedAvg,FedProx,およびフェデレーション付きラーニング・アズ・フォー・フォッティングベースラインに対する破滅的な忘れを低減し,オンデバイス・バランス・バッチ・リプレイにより平均忘れを56.7%削減することを示す。
クラススコーピングの診断では、50.5\%\pm3.6\%$の精度で6つの種と2.02倍の確率で診断される。
また、ヘッドスコープのクライアントレベルDPを導入して、分類ヘッドを保護し、マッチしたラウンド予算で達成可能な$\varepsilon$を200倍削減します。
\approx\!
10.4ドル 実用性は非民間の訓練と統計的に区別できない。
関連論文リスト
- Differentially private federated learning with Byzantine-robust aggregation: A cross-domain framework for secure model training in banking and healthcare systems [0.0]
フェデレートラーニングにより、規制された組織は、自身のサーバから生のレコードを移動することなく、共有モデルをトレーニングできる。
2つの問題は、この約束が実際にどれだけ信頼できるかを制限する。
プライバシー層を持たないビザンチン・ロバスト・アグリゲータは、生の精度で最高の性能を発揮する。
論文 参考訳(メタデータ) (2026-09-02T18:36:30Z) - An Adaptive Gradient Clipping and Noise Injection Mechanism for Differentially Private Federated Learning [1.5876034680722233]
本稿では, DDP-SA適応性, 適応型勾配クリッピングと雑音付加機構について述べる。
静的なDDP-SAベースラインと比較して、DDP-SA-Adaptiveは通信ラウンドの数を6.81%減らし、トータルトレーニングタイムを19.21%減らし、ラウンド平均トレーニング時間を13.33%減らした。
また、テスト損失を98.74%削減し、テストR2を3.41%増加させ、モデルの精度が向上した。
論文 参考訳(メタデータ) (2026-08-15T10:10:34Z) - Class-Grouped Normalized Momentum and Faster Hyperparameter Exploration to Tackle Class Imbalance in Federated Learning [16.216002257704826]
クラス不均衡は、未表現のクラスが予測性能の低下に苦しむ連邦学習(FL)において重要な課題となる。
本稿では,FLにおけるクライアントサイドであるFedCGNMを提案する。
そこで本研究では,X-armed-bandit(XAB)に基づくアルゴリズムであるFedHOOを導入する。
論文 参考訳(メタデータ) (2026-07-01T21:09:50Z) - Statistical Limits and Efficient Algorithms for Differentially Private Federated Learning [3.8169847142355695]
フェデレートラーニング(Federated Learning)は、MLとAIモデルを多数のユーザデバイスとデータベースで協調的にトレーニングするフレームワークである。
評価精度,プライバシ制約,通信コストのトレードオフについて検討した。
論文 参考訳(メタデータ) (2026-05-18T17:01:34Z) - Differentially Private Clustered Federated Learning with Privacy-Preserving Initialization and Normality-Driven Aggregation [25.94292199187493]
フェデレートラーニング(FL)は、エンドデバイスに生データを保存しながら、グローバルモデルのトレーニングを可能にする。
これにもかかわらず、FLはプライベートなユーザー情報を漏洩していることを示しており、実際には、ディファレンシャルプライバシ(DP)やセキュアなベクトル和といった手法と組み合わせて、参加者に正式なプライバシ保証を提供することが多い。
PINAは、各クライアントが軽量なローランク適応(LoRA)アダプタを微調整し、更新の圧縮スケッチをプライベートに共有できる2段階フレームワークである。
第2段階では、PINAは収束と堅牢性を改善する正規性駆動の凝集機構を導入する。
論文 参考訳(メタデータ) (2026-04-22T14:12:18Z) - Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。
我々は、FedMRがはるかに高い精度と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います。
論文 参考訳(メタデータ) (2024-05-29T10:56:13Z) - FedDBL: Communication and Data Efficient Federated Deep-Broad Learning
for Histopathological Tissue Classification [65.7405397206767]
本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。
FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。
異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
論文 参考訳(メタデータ) (2023-02-24T14:27:41Z) - FedABC: Targeting Fair Competition in Personalized Federated Learning [76.9646903596757]
フェデレートラーニングは、クライアントのローカルプライベートデータにアクセスすることなく、モデルを協調的にトレーニングすることを目的としている。
我々はFedABCと呼ばれるバイナリ分類によるFederated Averagingと呼ばれる新規で汎用的なPFLフレームワークを提案する。
特に、各クライアントに1対1のトレーニング戦略を採用して、クラス間の不公平な競争を軽減する。
論文 参考訳(メタデータ) (2023-02-15T03:42:59Z) - Large Scale Transfer Learning for Differentially Private Image
Classification [51.10365553035979]
Differential Privacy(DP)は、個別のサンプルレベルのプライバシで機械学習モデルをトレーニングするための正式なフレームワークを提供する。
DP-SGDを用いたプライベートトレーニングは、個々のサンプル勾配にノイズを注入することで漏れを防ぐ。
この結果は非常に魅力的であるが,DP-SGDを用いた大規模モデルのトレーニングの計算コストは,非プライベートトレーニングよりもかなり高い。
論文 参考訳(メタデータ) (2022-05-06T01:22:20Z) - Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。
敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。
差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文 参考訳(メタデータ) (2020-05-01T04:28:38Z)
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。