Fugu-MT 論文翻訳(概要): FedBEns: One-Shot Federated Learning based on Bayesian Ensemble

論文の概要: FedBEns: One-Shot Federated Learning based on Bayesian Ensemble

arxiv url: http://arxiv.org/abs/2503.15367v1
Date: Wed, 19 Mar 2025 16:05:52 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-20 15:22:38.354561
Title: FedBEns: One-Shot Federated Learning based on Bayesian Ensemble
Title（参考訳）: FedBEns:ベイジアンアンアンサンブルに基づくワンショットフェデレーションラーニング
Authors: Jacopo Talpini, Marco Savi, Giovanni Neglia,
Abstract要約: One-Shot Federated Learning (FL)は、複数のクライアントが中央サーバとの1ラウンドの通信でグローバルモデルを協調的に学習することを可能にする、最近のパラダイムである。我々は,局所的損失関数の固有多モード性を利用して,より優れたグローバルモデルを求めるアルゴリズムであるFedBEnsを提案する。
参考スコア（独自算出の注目度）: 9.653976364051564
License:
Abstract: One-Shot Federated Learning (FL) is a recent paradigm that enables multiple clients to cooperatively learn a global model in a single round of communication with a central server. In this paper, we analyze the One-Shot FL problem through the lens of Bayesian inference and propose FedBEns, an algorithm that leverages the inherent multimodality of local loss functions to find better global models. Our algorithm leverages a mixture of Laplace approximations for the clients' local posteriors, which the server then aggregates to infer the global model. We conduct extensive experiments on various datasets, demonstrating that the proposed method outperforms competing baselines that typically rely on unimodal approximations of the local losses.
Abstract（参考訳）: One-Shot Federated Learning (FL)は、複数のクライアントが中央サーバとの1ラウンドの通信でグローバルモデルを協調的に学習することを可能にする、最近のパラダイムである。本稿では,ベイズ推定のレンズを用いてワンショットFL問題を解析し,局所損失関数の固有多モード性を利用してより優れたグローバルモデルを求めるアルゴリズムであるFedBEnsを提案する。我々のアルゴリズムはクライアントの局所的な後部に対するLaplace近似の混合を利用しており、それをサーバが集約してグローバルモデルを推定する。提案手法は,局所的損失の非モード近似に依存する競合するベースラインよりも優れていることを示す。

関連論文リスト

Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文参考訳（メタデータ） (2025-01-17T04:00:50Z)
An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
論文参考訳（メタデータ） (2024-04-29T05:55:23Z)
Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
論文参考訳（メタデータ） (2023-08-20T04:41:01Z)
Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。本稿では,FedInsという新しいFLアルゴリズムを提案する。我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-11T09:58:47Z)
FedHB: Hierarchical Bayesian Federated Learning [11.936836827864095]
フェデレートラーニング(FL)に対する新しい階層的ベイズ的アプローチを提案する。本モデルは階層ベイズモデルを用いてクライアントの局所データの生成過程を合理的に記述する。ブロック座標FLアルゴリズムは、O(sqrtt)$の速度で目的の最適値に収束することを示す。
論文参考訳（メタデータ） (2023-05-08T18:21:41Z)
Federated Learning as Variational Inference: A Scalable Expectation Propagation Approach [66.9033666087719]
本稿では,推論の視点を拡張し,フェデレート学習の変分推論の定式化について述べる。我々は、FedEPを標準フェデレーション学習ベンチマークに適用し、収束速度と精度の両方において、強いベースラインを上回ります。
論文参考訳（メタデータ） (2023-02-08T17:58:11Z)
Personalized Federated Learning with Hidden Information on Personalized Prior [18.8426865970643]
本稿では,Bregmanの発散正規化を用いたモデル化のためのフレームワークであるpFedBreDを提案する。実験の結果,提案手法は複数の公開ベンチマークにおいて他のPFLアルゴリズムよりも優れていることがわかった。
論文参考訳（メタデータ） (2022-11-19T12:45:19Z)
Federated Multi-Task Learning under a Mixture of Distributions [10.00087964926414]
Federated Learning(FL)は、機械学習モデルのデバイス上での協調トレーニングのためのフレームワークである。 FLにおける最初の取り組みは、クライアント間で平均的なパフォーマンスを持つ単一のグローバルモデルを学ぶことに焦点を当てたが、グローバルモデルは、与えられたクライアントに対して任意に悪いかもしれない。我々は,各局所データ分布が未知の基底分布の混合であるというフレキシブルな仮定の下で,フェデレーションMTLについて検討した。
論文参考訳（メタデータ） (2021-08-23T15:47:53Z)
A Bayesian Federated Learning Framework with Online Laplace Approximation [144.7345013348257]
フェデレートラーニングは、複数のクライアントが協力してグローバルに共有されたモデルを学ぶことを可能にする。クライアント側とサーバ側の両方の後方部を近似するために,オンラインラプラス近似を用いた新しいFLフレームワークを提案する。提案手法の利点を実証し,いくつかのベンチマークで最新の結果を得た。
論文参考訳（メタデータ） (2021-02-03T08:36:58Z)
Federated Learning via Posterior Averaging: A New Perspective and Practical Algorithms [21.11885845002748]
後部推論問題として、代替的な視点を示し、フェデレーション学習を定式化する。目的は、各クライアントデバイスがそれぞれのローカルデータの後部を推測することで、グローバルな後部分布を推論することである。正確な推論はしばしば難解であるが、この観点は、フェデレートされた設定でグローバルな最適化を探索する原則的な方法を提供する。
論文参考訳（メタデータ） (2020-10-11T15:55:45Z)

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。