Decentralized Time Series Classification with ROCKET Features

要約

時系列分類（TSC）は、ヘルスケア、財務、産業監視など、さまざまなドメインのアプリケーションを使用する重要なタスクです。
プライバシーの懸念とデータ規制により、連邦学習は、生の情報を集中せずに分散時系列データから学習するための有望なアプローチとして浮上しています。
ただし、ほとんどのFLソリューションは、クライアントサーバーアーキテクチャに依存しており、サーバーの著名な役割に関連する堅牢性と機密性のリスクを導入します。これは、単一の障害のポイントであり、クライアントから抽出された知識を観察できます。
これらの課題に対処するために、ロケット（ランダム畳み込みカーネル変換）機能を活用するTSCの完全に分散したFLフレームワークであるDrocksを提案します。
Drocksでは、グローバルモデルは、連邦ノードを横切って構造化されたパスを連続的に横断することによってトレーニングされます。そこでは、各ノードがモデルを改良し、後継者に渡す前に最も効果的なローカルカーネルを選択します。
UCRアーカイブでの広範な実験は、ドロックが最先端のクライアントサーバーFLが近づいている一方で、ノードの障害や悪意のある攻撃により回復力があることを示しています。
私たちのコードは、https：//anonymous.4open.science/r/drocks-7ff3/readme.mdで入手できます。

要約(オリジナル)

Time series classification (TSC) is a critical task with applications in various domains, including healthcare, finance, and industrial monitoring. Due to privacy concerns and data regulations, Federated Learning has emerged as a promising approach for learning from distributed time series data without centralizing raw information. However, most FL solutions rely on a client-server architecture, which introduces robustness and confidentiality risks related to the distinguished role of the server, which is a single point of failure and can observe knowledge extracted from clients. To address these challenges, we propose DROCKS, a fully decentralized FL framework for TSC that leverages ROCKET (RandOm Convolutional KErnel Transform) features. In DROCKS, the global model is trained by sequentially traversing a structured path across federation nodes, where each node refines the model and selects the most effective local kernels before passing them to the successor. Extensive experiments on the UCR archive demonstrate that DROCKS outperforms state-of-the-art client-server FL approaches while being more resilient to node failures and malicious attacks. Our code is available at https://anonymous.4open.science/r/DROCKS-7FF3/README.md.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google