지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 저널정보
- Korean Institute of Information Scientists and Engineers 정보과학회 컴퓨팅의 실제 논문지 정보과학회 컴퓨팅의 실제 논문지 제30권 제8호
- 발행연도
- 2024.8
- 수록면
- 406 - 411 (6page)
- DOI
- 10.5626/KTCP.2024.30.8.406
이용수
초록· 키워드
오류제보하기
랜덤 포레스트는 강인함과 다양성으로 인해 기계 학습에서 기본적인 방법으로 사용되고 있다. 그러나, 중앙집중식 데이터에 적합한 특성으로 인해 분산되고 탈중앙화된 정보 보안이 요구되는 데이터 소스에 적용하기 어렵다. 최근에는 개인정보를 침해하지 않으면서 분산 학습을 가능하게 하는 연합 학습이 새로운 패러다임으로 부상하였다. 그럼에도 불구하고, 랜덤 포레스트와 같은 앙상블 방법을 Non-IID 데이터 분포를 가지는 연합 환경에서 학습하는 것은 용이하지 않다. 본 논문에서는 새로운 앙상블 구축 방법을 적용하는 연합 랜덤 포레스트를 제안한다. 각 클라이언트에서 독립적으로 하나의 완전한 트리를 성장시키는 대신, 클라이언트가 자신의 지역 데이터에 기반하여 트리를 성장시키는 것을 반복함으로써, 앙상블의 각 의사결정 트리가 클라이언트 전체에 걸쳐 연합하여 성장하는 방법을 제안한다. 이후, 클라이언트들은 각 트리의 리프 노드 정보를 조정하고, 글로벌 서버가 클라이언트 간의 이러한 업데이트를 집계한다. 제안하는 방법은 앙상블의 멤버인 각 트리가 클라이언트 간의 데이터의 이질성을 최대한 반영할 수 있도록 클라이언트들에서 트리 성장을 반복함으로써 Non-IID 데이터에서의 성능을 향상시킬 수 있다. 또한 제안된 연합 랜덤 포레스트 방법은 새로 참여하는 클라이언트가 존재할 때 전체를 재학습하지 않고 기존 앙상블 모델을 점진적으로 업데이트할 수 있음을 보여준다. 실험 결과는 제안 방법이 Non-IID 데이터의 연합학습 환경에서 높은 예측 성능을 가짐을 입증한다.
목차
요약
Abstract
1. Introduction
2. Related Work
3. Methodology
4. Experimental Results
5. Conclusions
References
참고문헌 (6)
참고문헌 신청
Leo Breiman, “Random Forests,” Mach. Learn., Vol. 45, No. 1, pp. 5-32, Oct. 2001.
Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, and Blaise Aguera y Arcas, “Communication-Efficient Learning of Deep Networks from Decentralized Data,” Proc. of the 20th International Conference on Artificial Intelligence and Statistics, PMLR, pp. 1273-1282, Apr. 2017.
Tijana Markovic, Miguel Leon, David Buffoni, and Sasikumar Punnekkat, “Random Forest Based on Federated Learning for Intrusion Detection," Artificial Intelligence Applications and Innovations, I. Maglogiannis, L. Iliadis, J. Macintyre, and P. Cortez, Eds., IFIP Advances in Information and Communication Technology, Cham: Springer International Publishing, pp. 132-144, 2022.
Lucas Airam C. de Souza, Gabriel Antonio F. Rebello, Gustavo F. Camilo, Lucas C. B. Guimarães, and Otto Carlos M. B. Duarte, “DFedForest: Decentralized Federated Forest,” 2020 IEEE International Conference on Blockchain (Blockchain), pp. 90-97, Nov. 2020.
Anne-Christin Hauschild, Marta Lemanczyk, Julian Matschinske, Tobias Frisch, Olga Zolotareva, Andreas Holzinger, Jan Baumbach, and Dominik Heider, “Federated Random Forests can improve local performance of predictive models for various healthcare applications,” Bioinformatics, Vol. 38, No. 8, pp. 2278-2286, Apr. 2022.
Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, and Blaise Aguera y Arcas, “Communication-Efficient Learning of Deep Networks from Decentralized Data,” Proc. of the 20th International Conference on Artificial Intelligence and Statistics, PMLR, pp. 1273-1282, Apr. 2017.
Tijana Markovic, Miguel Leon, David Buffoni, and Sasikumar Punnekkat, “Random Forest Based on Federated Learning for Intrusion Detection," Artificial Intelligence Applications and Innovations, I. Maglogiannis, L. Iliadis, J. Macintyre, and P. Cortez, Eds., IFIP Advances in Information and Communication Technology, Cham: Springer International Publishing, pp. 132-144, 2022.
Lucas Airam C. de Souza, Gabriel Antonio F. Rebello, Gustavo F. Camilo, Lucas C. B. Guimarães, and Otto Carlos M. B. Duarte, “DFedForest: Decentralized Federated Forest,” 2020 IEEE International Conference on Blockchain (Blockchain), pp. 90-97, Nov. 2020.
Anne-Christin Hauschild, Marta Lemanczyk, Julian Matschinske, Tobias Frisch, Olga Zolotareva, Andreas Holzinger, Jan Baumbach, and Dominik Heider, “Federated Random Forests can improve local performance of predictive models for various healthcare applications,” Bioinformatics, Vol. 38, No. 8, pp. 2278-2286, Apr. 2022.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
정확도 기반 참여 제한 연합학습 연구
한국정보기술학회논문지
2023 .12
-
Non-IID 데이터 환경에서의 적응적 연합학습 기법
한국통신학회논문지
2024 .08
-
교차소거법을 이용한 Non-IID 환경에서의 연합학습 프레임워크 설계
한국지능시스템학회 논문지
2021 .08
-
Non-IID 환경에서 연합학습 성능 분석 연구
대한전자공학회 학술대회
2024 .06
-
Non-IID 데이터를 활용한 개인화 연합학습 기반 실내 측위
한국통신학회 학술대회논문집
2021 .06
-
Non-IID 데이터에 대한 선택적 데이터 수집 기반 연합 학습 알고리즘
한국정보과학회 학술발표논문집
2022 .06
-
연합학습에서 공정한 훈련을 위한 클라이언트 훈련 규모 조율 방법
Proceedings of KIIT Conference
2023 .11
-
연합학습 시 글로벌 모델 성능 향상을 위한 기여도 기반 집계 알고리즘
한국정보기술학회논문지
2023 .12
-
Non-IID 데이터 분포를 가진 클라이언트의 NOMA-SIC 통합 연합학습 성능 평가
한국통신학회 학술대회논문집
2024 .11
-
인센티브 메커니즘 기반 Non-IID 사용자를 위한 프라이버시 보호 연합학습
한국통신학회 학술대회논문집
2022 .11
-
연합학습의 Non-IID 문제 개선을 위한 생성모델 적용 방안
한국통신학회 학술대회논문집
2025 .02
-
Non-IID 환경 및 개인화 모델을 고려한 연합학습 알고리즘에 대한 연구
Proceedings of KIIT Conference
2023 .06
-
Non-IID 문제 극복을 위한 양자 연합 학습 알고리즘 연구 동향
한국통신학회 학술대회논문집
2025 .02
-
Non-IID 데이터 분포 환경에서 계층적 연합 학습을 위한 에지 서버 설치 전략 연구
한국통신학회 학술대회논문집
2022 .06
-
NoN-IID MNIST 데이터의 연합학습 연구
한국컴퓨터정보학회 학술발표논문집
2023 .07
-
데이터 중독 공격 방어를 위한 신뢰도 점수 기반 연합학습
디지털콘텐츠학회논문지
2023 .06
-
효율적 연합학습을 위한 참여자 기여도 기반 클라이언트 선택 방법
한국통신학회 학술대회논문집
2025 .02
-
Flower 을 사용한 점진적 연합학습시스템 구성
JOURNAL OF PLATFORM TECHNOLOGY
2023 .08
-
클라이언트의 서로 다른 학습 능력을 고려한 분산학습 알고리즘 연구
한국통신학회논문지
2025 .02
-
연합 학습 환경에서 이상치 탐지를 위한 Isolation Forest 학습
한국정보과학회 학술발표논문집
2023 .06
최근 본 자료
댓글(0)
0