,

ترجمه فارسی مقاله FedAD-Bench: یک معیار یکپارچه برای تشخیص ناهنجاری فدرال بدون نظارت در داده‌های جدولی

19,000 تومان320,000 تومان

شناسه محصول: نامعلوم دسته: ,
عنوان مقاله به انگلیسی FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data
عنوان مقاله به فارسی ترجمه فارسی مقاله FedAD-Bench: یک معیار یکپارچه برای تشخیص ناهنجاری فدرال بدون نظارت در داده‌های جدولی
نویسندگان Ahmed Anwar, Brian Moser, Dayananda Herurkar, Federico Raue, Vinit Hegiste, Tatjana Legler, Andreas Dengel
فرمت مقاله انگلیسی PDF
زبان مقاله تحویلی ترجمه فارسی
فرمت مقاله ترجمه شده به صورت فایل ورد
نحوه تحویل ترجمه دو تا سه روز پس از ثبت سفارش (به صورت فایل دانلودی)
تعداد صفحات 8
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Comments: 8 pages, 1 figure
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 8 صفحه ، 1 شکل

توضیحات گزینه‌های خرید

دانلود مقاله اصل انگلیسی

با انتخاب این گزینه، می‌توانید فایل PDF مقاله اصلی را به زبان انگلیسی دانلود کنید.

قیمت: 19,000 تومان

سفارش ترجمه فارسی مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، ترجمه فارسی مقاله را نیز سفارش می‌دهید.

قیمت: 320,000 تومان

زمان تحویل: 2 تا 3 روز کاری

فرمت ارائه ترجمه مقاله تحویل به صورت فایل ورد
زمان تحویل ترجمه مقاله بین 2 تا 3 روز پس از ثبت سفارش
کیفیت ترجمه بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه می‌شود.
جداول و فرمول ها کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج می‌شوند.

چکیده

The emergence of federated learning (FL) presents a promising approach to leverage decentralized data while preserving privacy. Furthermore, the combination of FL and anomaly detection is particularly compelling because it allows for detecting rare and critical anomalies (usually also rare in locally gathered data) in sensitive data from multiple sources, such as cybersecurity and healthcare. However, benchmarking the performance of anomaly detection methods in FL environments remains an underexplored area. This paper introduces FedAD-Bench, a unified benchmark for evaluating unsupervised anomaly detection algorithms within the context of FL. We systematically analyze and compare the performance of recent deep learning anomaly detection models under federated settings, which were typically assessed solely in centralized settings. FedAD-Bench encompasses diverse datasets and metrics to provide a holistic evaluation. Through extensive experiments, we identify key challenges such as model aggregation inefficiencies and metric unreliability. We present insights into FL’s regularization effects, revealing scenarios in which it outperforms centralized approaches due to its inherent ability to mitigate overfitting. Our work aims to establish a standardized benchmark to guide future research and development in federated anomaly detection, promoting reproducibility and fair comparison across studies.

چکیده به فارسی (ترجمه ماشینی)

ظهور یادگیری فدرال (FL) یک رویکرد امیدوار کننده برای اهرم داده های غیرمتمرکز ضمن حفظ حریم خصوصی ارائه می دهد.علاوه بر این ، ترکیبی از تشخیص FL و ناهنجاری به ویژه قانع کننده است زیرا امکان تشخیص ناهنجاری های نادر و بحرانی (معمولاً در داده های جمع آوری شده محلی) را در داده های حساس از منابع متعدد مانند امنیت سایبری و مراقبت های بهداشتی امکان پذیر می کند.با این حال ، معیار عملکرد روشهای تشخیص ناهنجاری در محیط های FL یک منطقه نامشخص است.در این مقاله ، FedAD-Bench ، یک معیار یکپارچه برای ارزیابی الگوریتم های تشخیص ناهنجاری بدون نظارت در متن FL معرفی شده است.ما به طور سیستماتیک عملکرد مدل های تشخیص ناهنجاری عمیق یادگیری عمیق را تحت تنظیمات فدرال ، که معمولاً صرفاً در تنظیمات متمرکز ارزیابی می شوند ، تجزیه و تحلیل و مقایسه می کنیم.FedAD-Bench شامل مجموعه داده ها و معیارهای متنوع برای ارائه یک ارزیابی جامع است.از طریق آزمایش های گسترده ، ما چالش های کلیدی مانند ناکارآمدی تجمع مدل و عدم اطمینان متریک را شناسایی می کنیم.ما بینش هایی در مورد اثرات منظم FL ارائه می دهیم ، و سناریوهایی را نشان می دهد که در آن به دلیل توانایی ذاتی آن در کاهش بیش از حد از رویکردهای متمرکز بهتر است.کار ما با هدف ایجاد یک معیار استاندارد برای هدایت تحقیقات و توسعه آینده در تشخیص ناهنجاری فدرال ، ارتقاء تکرارپذیری و مقایسه عادلانه در مطالعات انجام شده است.

فرمت ارائه ترجمه مقاله تحویل به صورت فایل ورد
زمان تحویل ترجمه مقاله بین 2 تا 3 روز پس از ثبت سفارش
کیفیت ترجمه بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه می‌شود.
جداول و فرمول ها کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج می‌شوند.
نوع دانلود

دانلود مقاله اصل انگلیسی, سفارش ترجمه فارسی مقاله

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “ترجمه فارسی مقاله FedAD-Bench: یک معیار یکپارچه برای تشخیص ناهنجاری فدرال بدون نظارت در داده‌های جدولی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا