論文の概要: A State Alignment-Centric Approach to Federated System Identification: The FedAlign Framework

• arxiv url: http://arxiv.org/abs/2503.12137v2
• Date: Wed, 03 Sep 2025 06:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 17:24:09.107291
• Title: A State Alignment-Centric Approach to Federated System Identification: The FedAlign Framework
• Title（参考訳）: フェデレーションシステム同定のための状態アライメント中心アプローチ:FedAlignフレームワーク
• Authors: Ertuğrul Keçeci, Müjde Güzelkaya, Tufan Kumbasar,
• Abstract要約: ローカルワーカーはステートスペースモデル(SSM)を等価表現で学習できるが、動的には異なる。 FedAlignは、局所的なSSMの状態表現を調整するために類似性変換行列を利用することで、この問題を克服する。 我々は、FedAlignがFedAvgより優れ、より高速に収束し、グローバルSSMの安定性を改善していることを示す。
• 参考スコア（独自算出の注目度）: 5.849736173068869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents FedAlign, a Federated Learning (FL) framework particularly designed for System Identification (SYSID) tasks by aligning state representations. Local workers can learn State-Space Models (SSMs) with equivalent representations but different dynamics. We demonstrate that directly aggregating these local SSMs via FedAvg results in a global model with altered system dynamics. FedAlign overcomes this problem by employing similarity transformation matrices to align state representations of local SSMs, thereby establishing a common parameter basin that retains the dynamics of local SSMs. FedAlign computes similarity transformation matrices via two distinct approaches: FedAlign-A and FedAlign-O. In FedAlign-A, we represent the global SSM in controllable canonical form (CCF). We apply control theory to analytically derive similarity transformation matrices that convert each local SSM into this form. Yet, establishing global SSM in CCF brings additional alignment challenges in multi input - multi output SYSID as CCF representation is not unique, unlike in single input - single output SYSID. In FedAlign-O, we address these alignment challenges by reformulating the local parameter basin alignment problem as an optimization task. We determine the parameter basin of a local worker as the common parameter basin and solve least square problems to obtain similarity transformation matrices needed to align the remaining local SSMs. Through the experiments conducted on synthetic and real-world datasets, we show that FedAlign outperforms FedAvg, converges faster, and provides improved stability of the global SSM thanks to the efficient alignment of local parameter basins.
• Abstract（参考訳）: 本稿では,FedAlignについて述べる。FedAlignは,状態表現の整合化によるシステム同定(SYSID)タスクに特化して設計された,連邦学習(FL)フレームワークである。 ローカルワーカーはステートスペースモデル(SSM)を等価表現で学習できるが、動的には異なる。 我々は、これらのローカルSSMを直接FedAvg経由で集約すると、システムダイナミクスが変化するグローバルモデルが得られることを示した。 FedAlignは、類似度変換行列を用いて局所SSMの状態表現を整列し、局所SSMのダイナミクスを保持する共通パラメータ階層を確立することで、この問題を克服する。 FedAlignはFedAlign-AとFedAlign-Oという2つの異なるアプローチによって類似性変換行列を計算する。 FedAlign-Aでは、制御可能な標準形(CCF)のグローバルSSMを表す。 制御理論を適用して、各局所SSMをこの形式に変換する類似度変換行列を解析的に導出する。 しかし、CCFにおけるグローバルSSMの確立は、単一出力SYSIDとは異なり、CCF表現としてのマルチ出力SYSIDがユニークではないため、マルチ入力においてさらなるアライメントの課題をもたらす。 FedAlign-Oでは、最適化タスクとして局所パラメータ境界アライメント問題を再構成することで、これらのアライメントの課題に対処する。 局所作業者のパラメータ盆地を共通パラメータ盆地とし、最小二乗問題を解き、残りの局所SSMを整列させるのに必要な類似性変換行列を得る。 合成および実世界のデータセットを用いて、FedAlignはFedAvgより優れ、より高速に収束し、局所パラメータ盆地の効率的なアライメントにより、グローバルSSMの安定性が向上することを示した。

関連論文リスト

• Codified Finite-state Machines for Role-playing [70.86310301713068]
  テキスト文字プロファイルをFSMに自動的に符号化するフレームワークであるCFSM(Codified Finite-State Machines)を紹介する。 CFSMはプロファイルから直接キー状態と遷移を抽出し、文字の一貫性を強制する解釈可能な構造を生成する。 我々はCFSMをCPFSM(Codified Probabilistic Finite-State Machines)に拡張し、遷移を状態上の確率分布としてモデル化する。
  論文  参考訳（メタデータ） (2026-02-05T17:19:18Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-31T03:11:51Z)
• DC-VLAQ: Query-Residual Aggregation for Robust Visual Place Recognition [22.709465759219327]
  本稿では,相補的VFMとロバストなグローバルアグリゲーションを融合した表現中心のフレームワークであるDC-VLAQを提案する。 我々は,DC-VLAQが強いベースラインを一貫して上回り,最先端の性能を実現していることを示す。
  論文  参考訳（メタデータ） (2026-01-19T05:19:56Z)
• CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
  Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。 CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T09:21:38Z)
• Multi-Scale Correlation-Aware Transformer for Maritime Vessel Re-Identification [1.5229257192293202]
  海上船舶再識別(Re-ID)は海上監視と知的状況認識システムにおいて重要な役割を担っている。 既存の船体Re-ID法は、歩行者に焦点を絞ったアルゴリズムから直接適用されており、船体画像に現れる固有の問題を緩和するのに不適当である。 これらの課題に対処するために,マルチスケール相関対応トランスフォーマーネットワーク(MCFormer)を提案する。 MCFormerは、入力セット全体にわたるマルチスケールの相関を明示的にモデル化し、同一性内変異や局所的欠落を伴う外れ値サンプルの悪影響を抑制する。
  論文  参考訳（メタデータ） (2025-11-18T07:16:59Z)
• X-VMamba: Explainable Vision Mamba [0.0]
  State Space Models (SSM) は、シーケンスモデリングのためのTransformerの強力な代替品として登場した。 本稿では,入力シーケンスの異なる部分(トークンやパッチ)がSSMの内部状態にどのように影響するかを定量化する,可制御性に基づく解釈可能性フレームワークを提案する。 我々のフレームワークは、すべてのドメインにわたるSSMの統一的で基礎的な解釈可能性パラダイムとして、制御可能性分析を確立します。
  論文  参考訳（メタデータ） (2025-11-16T17:18:12Z)
• Federated Attention: A Distributed Paradigm for Collaborative LLM Inference over Edge Networks [63.541114376141735]
  大規模言語モデル(LLM)は、さまざまなアプリケーションシナリオにまたがってインテリジェントな機能を提供しながら、急速に普及しています。 しかし、彼らの共同シナリオにおける実践的なデプロイは、プライバシの脆弱性、通信オーバーヘッド、計算ボトルネックといった根本的な課題に直面します。 我々はフェデレート・アテンション(FedAttn)を提案し、フェデレーション・パラダイムを自己注意機構に統合する。
  論文  参考訳（メタデータ） (2025-11-04T15:14:58Z)
• HFedATM: Hierarchical Federated Domain Generalization via Optimal Transport and Regularized Mean Aggregation [12.655334562608314]
  Federated Learning(FL)は、複数のクライアントが生データを共有せずに、共同で共有グローバルモデルをトレーニングする分散アプローチである。 本稿では階層型フェデレーションドメイン一般化(HFedDG)を紹介する。
  論文  参考訳（メタデータ） (2025-08-07T08:14:52Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• Federated Smoothing ADMM for Localization [9.25126455172971]
  フェデレートされたシステムは、分散データ、非滑らか性、非滑らか性によって特徴づけられる。 このような環境に固有のスケーラビリティと外乱問題に対処する頑健なアルゴリズムを提案する。 提案アルゴリズムの信頼性を検証するため,定常点に収束することを示す。 数値シミュレーションは、既存の最先端ローカライゼーション法と比較して収束レジリエンスの優れた性能を強調している。
  論文  参考訳（メタデータ） (2025-03-12T16:01:34Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Enhanced Structured State Space Models via Grouped FIR Filtering and Attention Sink Mechanisms [0.6718184400443239]
  本稿では,A-乗算を複数のグループに分解することで課題を軽減する高度なアーキテクチャを提案する。 ストリーミング言語モデルで特定される「アテンションシンク」現象にインスパイアされ、モデルの安定性と性能を高めるための同様のメカニズムを組み込んだ。
  論文  参考訳（メタデータ） (2024-08-01T02:49:58Z)
• MetaOpenFOAM: an LLM-based multi-agent framework for CFD [11.508919041921942]
  MetaOpenFOAMは、新しいマルチエージェントコラボレーションフレームワークである。 入力として自然言語のみを用いてCFDシミュレーションタスクを完了することを目的としている。 MetaGPTのアセンブリラインパラダイムのパワーを利用する。
  論文  参考訳（メタデータ） (2024-07-31T04:01:08Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• AdaSfM: From Coarse Global to Fine Incremental Adaptive Structure from Motion [48.835456049755166]
  AdaSfMは粗粒度適応型SfMアプローチであり、大規模かつ挑戦的なデータセットにスケーラブルである。 当社のアプローチはまず,低コストセンサによる計測を利用して,ビューグラフの信頼性を向上させる,粗大なグローバルSfMを実現する。 本手法では,全局所再構成をグローバルSfMの座標フレームに整合させるため,しきい値適応戦略を用いる。
  論文  参考訳（メタデータ） (2023-01-28T09:06:50Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)
• FedDC: Federated Learning with Non-IID Data via Local Drift Decoupling and Correction [48.85303253333453]
  フェデレートラーニング(FL)は、複数のクライアントがプライベートデータを共有せずに、高性能なグローバルモデルを集合的にトレーニングすることを可能にする。 局所的ドリフトデカップリングと補正(FedDC)を用いた新しいフェデレーション学習アルゴリズムを提案する。 私たちのFedDCでは、ローカルモデルパラメータとグローバルモデルパラメータのギャップを追跡するために、各クライアントが補助的なローカルドリフト変数を使用するような、ローカルトレーニングフェーズにおける軽量な修正のみを導入しています。 実験結果と解析結果から,FedDCは様々な画像分類タスクにおいて,収差の迅速化と性能の向上を図っている。
  論文  参考訳（メタデータ） (2022-03-22T14:06:26Z)
• Robust Convergence in Federated Learning through Label-wise Clustering [6.693651193181458]
  非IIDデータセットとローカルクライアントの不均一環境は、フェデレートラーニング(FL)における主要な課題であると見なされる 地理的に異質なローカルクライアント間のトレーサビリティを保証する新しいラベルワイドクラスタリングアルゴリズムを提案する。 提案手法は,他のFLアルゴリズムと比較して,高速でロバストな収束を示す。
  論文  参考訳（メタデータ） (2021-12-28T18:13:09Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Multi-Agent MDP Homomorphic Networks [100.74260120972863]
  協調型マルチエージェントシステムでは、エージェントの異なる構成とそれらの局所的な観察の間に複雑な対称性が生じる。 単エージェント強化学習における既存の対称性の研究は、完全に集中した環境にのみ一般化できる。 本稿では,ローカル情報のみを用いた分散実行が可能なネットワークのクラスであるマルチエージェントMDPホモモルフィックネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-09T07:46:25Z)
• A Unified Theory of Decentralized SGD with Changing Topology and Local Updates [70.9701218475002]
  分散通信方式の統一収束解析を導入する。 いくつかの応用に対して普遍収束率を導出する。 私たちの証明は弱い仮定に依存している。
  論文  参考訳（メタデータ） (2020-03-23T17:49:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。