Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

CADRE : Assurance personnalisable de la disponibilité des données dans un apprentissage fédéré préservant la confidentialité

Created by
  • Haebom

Auteur

Kaveen Hiniduma, Zilinghan Li, Aditya Sinha, Ravi Madduri, Suren Byna

Contour

Cet article présente CADRE (Customizable Assurance of Data Readiness), un nouveau cadre permettant d'assurer la préparation des données (PRD) dans l'apprentissage fédéré préservant la confidentialité (PPFL), une technique d'apprentissage automatique distribué garantissant la confidentialité. CADRE permet aux utilisateurs de définir des métriques, des règles et des solutions de PRD personnalisées, adaptées à des tâches d'apprentissage fédéré spécifiques. Sur la base de ces métriques, règles et solutions personnalisées, il génère des rapports de PRD complets pour garantir la préparation des ensembles de données pour le FL tout en préservant la confidentialité. Des expériences démontrent la polyvalence et l'efficacité de CADRE, garantissant la PRD dans diverses dimensions, notamment la qualité des données, la confidentialité et l'équité. Nous démontrons des applications concrètes en intégrant CADRE au cadre PPFL existant, en traitant six ensembles de données et sept problèmes de PRD.

Takeaways, Limitations

•
Takeaways:
◦
Il fournit des mesures, des règles et des solutions de préparation des données personnalisables, offrant une flexibilité pour une variété de tâches d'apprentissage fédérées.
◦
Améliorez les performances et la fiabilité des modèles d’apprentissage fédérés en vérifiant et en améliorant la préparation des données tout en garantissant la confidentialité.
◦
Nous vous aidons à gérer et à résoudre systématiquement les problèmes de préparation des données afin d'utiliser efficacement des ressources précieuses.
◦
Nous validons la praticité et l’efficacité de CADRE à travers des résultats expérimentaux sur divers ensembles de données et problèmes DR.
•
Limitations:
◦
Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité des mesures, règles et solutions DR proposées.
◦
Une expérimentation approfondie avec divers environnements d’apprentissage fédérés et types de données est nécessaire.
◦
Une évaluation plus approfondie de l’évolutivité et des performances du cadre CADRE est nécessaire.
👍
Made with Slashpage