論文の概要: Multimodal Federated Learning: A Survey through the Lens of Different FL Paradigms

• arxiv url: http://arxiv.org/abs/2505.21792v1
• Date: Tue, 27 May 2025 21:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.310675
• Title: Multimodal Federated Learning: A Survey through the Lens of Different FL Paradigms
• Title（参考訳）: マルチモーダル・フェデレーション・ラーニング:FLパラダイムの異なるレンズによる調査
• Authors: Yuanzhe Peng, Jieming Bian, Lei Wang, Yin Huang, Jie Xu,
• Abstract要約: MFL(Multimodal Federated Learning)は、下流推論のパフォーマンスを改善し、分散トレーニングによって効率を高め、プライバシを保存することを目的としている。 MFLへの関心が高まっているが、現在では様々なフェデレートラーニング(FL)パラダイムのレンズを通してMFLを組織する包括的な分類は存在しない。 本稿では、水平FL(HFL)、垂直FL(VFL)、ハイブリッドFL(FL)の3つのパラダイムの文脈において、MFLを体系的に検討する。
• 参考スコア（独自算出の注目度）: 5.280048850098648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal Federated Learning (MFL) lies at the intersection of two pivotal research areas: leveraging complementary information from multiple modalities to improve downstream inference performance and enabling distributed training to enhance efficiency and preserve privacy. Despite the growing interest in MFL, there is currently no comprehensive taxonomy that organizes MFL through the lens of different Federated Learning (FL) paradigms. This perspective is important because multimodal data introduces distinct challenges across various FL settings. These challenges, including modality heterogeneity, privacy heterogeneity, and communication inefficiency, are fundamentally different from those encountered in traditional unimodal or non-FL scenarios. In this paper, we systematically examine MFL within the context of three major FL paradigms: horizontal FL (HFL), vertical FL (VFL), and hybrid FL. For each paradigm, we present the problem formulation, review representative training algorithms, and highlight the most prominent challenge introduced by multimodal data in distributed settings. We also discuss open challenges and provide insights for future research. By establishing this taxonomy, we aim to uncover the novel challenges posed by multimodal data from the perspective of different FL paradigms and to offer a new lens through which to understand and advance the development of MFL.
• Abstract（参考訳）: マルチモーダル・フェデレート・ラーニング(MFL)は、2つの重要な研究分野の交差点に位置する。複数のモーダルからの補完的な情報を活用して、下流の推論性能を改善し、分散トレーニングによって効率を高め、プライバシを保存することである。 MFLへの関心が高まっているが、現在では様々なフェデレートラーニング(FL)パラダイムのレンズを通してMFLを組織する包括的な分類は存在しない。 マルチモーダルデータは様々なFL設定に異なる課題をもたらすため、この観点は重要である。 これらの課題には、モダリティの不均一性、プライバシの不均一性、コミュニケーションの非効率性などが含まれる。 本稿では、水平FL(HFL)、垂直FL(VFL)、ハイブリッドFL(FL)の3つのパラダイムの文脈において、MFLを体系的に検討する。 各パラダイムについて,問題定式化,代表訓練アルゴリズムのレビュー,分散環境でのマルチモーダルデータによる最も顕著な課題について紹介する。 オープンな課題についても議論し、今後の研究に対する洞察を提供する。 この分類を確立させることにより、異なるFLパラダイムの観点から、マルチモーダルデータによって引き起こされる新たな課題を明らかにし、MFLの発展を理解し、前進させる新しいレンズを提供することを目指している。

関連論文リスト

• One-shot Federated Learning Methods: A Practical Guide [23.737787001337082]
  ワンショットフェデレートラーニング(One-shot Federated Learning, OFL)は、クライアントサーバ間の通信を1ラウンドに制限する分散機械学習パラダイムである。 本稿では,OFLが直面している課題を体系的に分析し,現在の手法を徹底的にレビューする。
  論文  参考訳（メタデータ） (2025-02-13T09:26:44Z)
• FedMLLM: Federated Fine-tuning MLLM on Multimodal Heterogeneity Data [56.08867996209236]
  フェデレートラーニング(FL)による微調整型マルチモーダル大言語モデル(MLLM)は、プライベートデータソースを含めることで、トレーニングデータの範囲を拡大することができる。 マルチモーダルな異種シナリオにおけるMLLMのファインチューニング性能を評価するためのベンチマークを提案する。 従来のFL手法を2つのモダリティに依存しない戦略と組み合わせた一般的なFedMLLMフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-11-22T04:09:23Z)
• Heterogeneous Federated Learning: State-of-the-art and Research Challenges [117.77132819796105]
  不均一フェデレートラーニング(HFL)はより困難であり、それに対応するソリューションは多様で複雑である。 HFLの新たな進歩を概説し,既存のHFL手法の新たな分類法を提案する。 HFLにおけるいくつかの重要かつ将来的な研究方向性について論じる。
  論文  参考訳（メタデータ） (2023-07-20T06:32:14Z)
• Bayesian Federated Learning: A Survey [54.40136267717288]
  フェデレートラーニング(FL)は、分散インフラストラクチャ、コミュニケーション、コンピューティング、学習をプライバシ保護の方法で統合する際の利点を示している。 既存のFL手法のロバスト性と能力は、制限された動的データと条件によって挑戦される。 BFLはこれらの問題に対処するための有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2023-04-26T03:41:17Z)
• Vertical Federated Learning: A Structured Literature Review [0.0]
  フェデレートラーニング(FL)は、データプライバシのメリットを付加した、有望な分散ラーニングパラダイムとして登場した。 本稿では,VFLにおける最先端のアプローチを論じる構造化文献レビューを行う。
  論文  参考訳（メタデータ） (2022-12-01T16:16:41Z)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• Vertical Federated Learning: Challenges, Methodologies and Experiments [34.4865409422585]
  垂直学習(VFL)は、異なるクライアントからサブモデルを受け入れることで、ハイパーMLモデルを構築することができる。 本稿では,VFLにおける課題を効果的に解決し,実生活データセット上で実験を行う。
  論文  参考訳（メタデータ） (2022-02-09T06:56:41Z)

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。