Fugu-MT 論文翻訳(概要): Federated Learning for Commercial Image Sources

論文の概要: Federated Learning for Commercial Image Sources

arxiv url: http://arxiv.org/abs/2507.12903v1
Date: Thu, 17 Jul 2025 08:42:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-18 20:10:24.411073
Title: Federated Learning for Commercial Image Sources
Title（参考訳）: 商用画像ソースのためのフェデレーション学習
Authors: Shreyansh Jain, Koteswar Rao Jerripothula,
Abstract要約: 本稿では、8つの異なる商用ソースから収集された23,326の画像を含む新しいデータセットを提案する。私たちの知る限りでは、フェデレートラーニング用に特別に設計された最初の画像分類データセットです。本稿では,Fed-CyclicとFed-Starという2つの新しいFederated Learningアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 2.823788912109604
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated Learning is a collaborative machine learning paradigm that enables multiple clients to learn a global model without exposing their data to each other. Consequently, it provides a secure learning platform with privacy-preserving capabilities. This paper introduces a new dataset containing 23,326 images collected from eight different commercial sources and classified into 31 categories, similar to the Office-31 dataset. To the best of our knowledge, this is the first image classification dataset specifically designed for Federated Learning. We also propose two new Federated Learning algorithms, namely Fed-Cyclic and Fed-Star. In Fed-Cyclic, a client receives weights from its previous client, updates them through local training, and passes them to the next client, thus forming a cyclic topology. In Fed-Star, a client receives weights from all other clients, updates its local weights through pre-aggregation (to address statistical heterogeneity) and local training, and sends its updated local weights to all other clients, thus forming a star-like topology. Our experiments reveal that both algorithms perform better than existing baselines on our newly introduced dataset.
Abstract（参考訳）: フェデレートラーニング(Federated Learning)は、複数のクライアントが互いにデータを公開せずにグローバルモデルを学ぶことができる、協調的な機械学習パラダイムである。これにより、プライバシ保護機能を備えたセキュアな学習プラットフォームが提供される。本稿では、8つの異なる商用ソースから収集され、Office-31データセットに似た31のカテゴリに分類される23,326の画像を含む新しいデータセットを提案する。私たちの知る限りでは、フェデレートラーニング用に特別に設計された最初の画像分類データセットです。また,Fed-CyclicとFed-Starという2つの新しいFederated Learningアルゴリズムを提案する。 Fed-Cyclicでは、クライアントは以前のクライアントからウェイトを受け取り、ローカルトレーニングを通じてそれを更新し、それを次のクライアントに渡すことで、循環トポロジを形成する。 Fed-Starでは、クライアントは他のすべてのクライアントからウェイトを受け取り、(統計的不均一性に対応するために)事前集約とローカルトレーニングを通じてローカルウェイトを更新し、更新されたローカルウェイトを他のすべてのクライアントに送信し、スターのようなトポロジーを形成する。実験の結果、これらのアルゴリズムは、新たに導入したデータセットの既存のベースラインよりも性能が良いことがわかった。

関連論文リスト

Personalized Federated Learning via Learning Dynamic Graphs [4.569473641235369]
グラフ注意ネットワークを用いた個人化フェデレーション学習(pFedGAT)を提案する。 pFedGATは、クライアント間の潜伏グラフ構造をキャプチャし、クライアントごとに他のクライアントの重要性を動的に決定し、集約プロセスのきめ細かい制御を可能にする。 pFedGATを複数のデータ分散シナリオで評価し、3つのデータセット上でのアートメソッドの12の状態と比較した。
論文参考訳（メタデータ） (2025-03-07T14:47:03Z)
Federated Graph Learning with Graphless Clients [52.5629887481768]
FGL(Federated Graph Learning)は、グラフニューラルネットワーク(GNN)などの機械学習モデルをトレーニングするタスクである。グラフレスクライアントを用いたFGLにおける問題に対処するための新しいフレームワークFedGLSを提案する。
論文参考訳（メタデータ） (2024-11-13T06:54:05Z)
Federated Black-Box Adaptation for Semantic Segmentation [25.12190845061075]
フェデレートラーニング(Federated Learning, FL)は、分散ラーニングの一種で、複数の機関やクライアントが、タスクを解決するためのグローバルモデルを共同で学習することを可能にする。近年の研究では、データのプライバシーを守るという約束は、既存の方法では守られていないことが示されている。我々は、ゼロオーダー最適化(ZOO)を利用してクライアントモデルの重みを更新し、一階最適化(FOO)によりサーバ重みを更新するニューラルネットワークのブラックボックス適応であるBlackFedを提案する。
論文参考訳（メタデータ） (2024-10-31T17:45:09Z)
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)
Decentralized Personalized Online Federated Learning [13.76896613426515]
バニラ連合学習は、オンライン環境での学習、各クライアントでパーソナライズされたモデル学習、分散環境での学習をサポートしない。我々は,これら3つの側面を同時に考慮した,分散化された個人化オンラインフェデレーションラーニングを新たに提案する。提案手法の有効性とロバスト性を実世界の3項目推薦データセットと1つの空気質予測データセットで検証した。
論文参考訳（メタデータ） (2023-11-08T16:42:10Z)
FedSampling: A Better Sampling Strategy for Federated Learning [81.85411484302952]
フェデレートラーニング(FL)は、プライバシを保存する方法で分散化されたデータからモデルを学習するための重要なテクニックである。既存のFLメソッドは通常、各ラウンドでローカルモデル学習のために一様にクライアントをサンプリングする。フェデレート学習のための新しいデータ一様サンプリング戦略(FedSampling)を提案する。
論文参考訳（メタデータ） (2023-06-25T13:38:51Z)
DYNAFED: Tackling Client Data Heterogeneity with Global Dynamics [60.60173139258481]
非イド分散データに対する局所訓練は、偏向局所最適化をもたらす。自然な解決策は、サーバがデータ分散全体のグローバルなビューを持つように、すべてのクライアントデータをサーバに収集することです。本稿では,データプライバシを損なうことなく,サーバ上でのグローバルな知識の収集と活用を図る。
論文参考訳（メタデータ） (2022-11-20T06:13:06Z)
Personalized Federated Learning with Multi-branch Architecture [0.0]
フェデレートラーニング(FL)は、複数のクライアントが相互に生データを公開することなく、協力的にモデルをトレーニングすることを可能にする。ニューラルネットワークの各レイヤを複数のブランチに分割し,各ブランチにクライアント固有の重みを割り当てることで,パーソナライズを実現するマルチブランチアーキテクチャを用いた新しいPFL手法(pFedMB)を提案する。 CIFAR10およびCIFAR100データセットを用いて,pFedMBが最先端のPFL法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2022-11-15T06:30:57Z)
Personalized Federated Learning through Local Memorization [10.925242558525683]
フェデレーション学習により、クライアントはデータをローカルに保ちながら、統計的モデルを協調的に学習することができる。最近のパーソナライズされた学習方法は、他のクライアントで利用可能な知識を活用しながら、各クライアントに対して別々のモデルを訓練する。本稿では,この手法が最先端手法よりも精度と公平性を著しく向上することを示す。
論文参考訳（メタデータ） (2021-11-17T19:40:07Z)
Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
論文参考訳（メタデータ） (2021-02-14T05:36:25Z)
FedNS: Improving Federated Learning for collaborative image classification on mobile clients [22.980223900446997]
Federated Learning(FL)は、グローバルモデルを学ぶために疎結合のクライアントをサポートすることを目的としたパラダイムです。本稿では、fl設定におけるサーバのグローバルモデル集約のためのフェデレーションノード選択(fedns)と呼ばれる新しい手法を提案する。我々は、FedNSがFedAvgよりも一貫してパフォーマンスを向上させることができる複数のデータセットとネットワークからの実験で示します。
論文参考訳（メタデータ） (2021-01-20T06:45:46Z)
Personalized Federated Learning with First Order Model Optimization [76.81546598985159]
そこで我々は,各クライアントが他のクライアントと連携して,クライアント固有の目的ごとのより強力なモデルを得る,フェデレーション学習の代替案を提案する。基礎となるデータ分布やクライアントの類似性に関する知識を前提とせず、各クライアントが関心のある任意のターゲット分布を最適化できるようにします。この手法は既存の代替品を上回り、ローカルデータ配信以外の転送のようなパーソナライズされたFLの新機能を可能にする。
論文参考訳（メタデータ） (2020-12-15T19:30:29Z)

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。