메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Penjan Antonio Eng Lim (충남대학교) Cheong Hee Park (Chungnam Nat"l Univ)
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

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

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

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

댓글(0)

0