論文の概要: Personalized Subgraph Federated Learning with Sheaf Collaboration

• arxiv url: http://arxiv.org/abs/2508.13642v1
• Date: Tue, 19 Aug 2025 08:52:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.86009
• Title: Personalized Subgraph Federated Learning with Sheaf Collaboration
• Title（参考訳）: シェアコラボレーションによる個人化サブグラフフェデレーション学習
• Authors: Wenfei Liang, Yanan Zhao, Rui She, Yiming Li, Wee Peng Tay,
• Abstract要約: FedSheafHNは、効率的なパーソナライズされたモデル生成で拡張されたクライアント記述子を統合するための、棚のコラボレーションメカニズム上に構築された新しいフレームワークである。 具体的には、FedSheafHNは各クライアントのローカルサブグラフをサーバ構築のコラボレーショングラフに埋め込む。 サーバ最適化ハイパーネットワークを通じて、カスタマイズされたクライアントモデルを生成する。
• 参考スコア（独自算出の注目度）: 22.825083541211168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured data is prevalent in many applications. In subgraph federated learning (FL), this data is distributed across clients, each with a local subgraph. Personalized subgraph FL aims to develop a customized model for each client to handle diverse data distributions. However, performance variation across clients remains a key issue due to the heterogeneity of local subgraphs. To overcome the challenge, we propose FedSheafHN, a novel framework built on a sheaf collaboration mechanism to unify enhanced client descriptors with efficient personalized model generation. Specifically, FedSheafHN embeds each client's local subgraph into a server-constructed collaboration graph by leveraging graph-level embeddings and employing sheaf diffusion within the collaboration graph to enrich client representations. Subsequently, FedSheafHN generates customized client models via a server-optimized hypernetwork. Empirical evaluations demonstrate that FedSheafHN outperforms existing personalized subgraph FL methods on various graph datasets. Additionally, it exhibits fast model convergence and effectively generalizes to new clients.
• Abstract（参考訳）: グラフ構造化データは、多くのアプリケーションで広く使われている。 サブグラフフェデレーション学習(FL)では、このデータは各クライアントに分散され、それぞれにローカルなサブグラフがある。 パーソナライズされたサブグラフFLは、さまざまなデータ分散を扱うために各クライアント用にカスタマイズされたモデルを開発することを目的としている。 しかし、局所的な部分グラフの不均一性のため、クライアント間のパフォーマンスのばらつきは依然として重要な問題である。 この課題を克服するために、効率の良いパーソナライズされたモデル生成で拡張されたクライアント記述子を統合するための、せん断協調機構上に構築された新しいフレームワークであるFedSheafHNを提案する。 具体的には、FedSheafHNは、各クライアントのローカルサブグラフを、グラフレベルの埋め込みを活用し、コラボグラフ内でのシーフ拡散を利用して、クライアント表現を豊かにすることで、サーバ構築のコラボレーショングラフに埋め込む。 その後、FedSheafHNはサーバ最適化ハイパーネットワークを通じてカスタマイズされたクライアントモデルを生成する。 実験により,FedSheafHNは様々なグラフデータセット上で,既存のパーソナライズされたサブグラフFL法よりも優れていることが示された。 さらに、高速なモデル収束を示し、新しいクライアントに効果的に一般化します。

関連論文リスト

• Personalized Subgraph Federated Learning with Differentiable Auxiliary Projections [14.636973991912113]
  補助投影を用いたフェデレーション学習(FedAux)を紹介する。 FedAuxはパーソナライズされたサブグラフFLフレームワークで、生のデータやノードの埋め込みを共有することなく、均一に分散されたローカルモデルを調整、比較、集約することを学ぶ。 多様なグラフベンチマークによる実証的な評価は、FedAuxが精度とパーソナライズ性能の両方で既存のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-29T09:17:49Z)
• FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs [55.51300642911766]
  Federated Graph Learning(FGL)は、クライアントがグラフニューラルネットワーク(GNN)を分散的にトレーニングすることを可能にする。 FGL法は通常、全てのクライアントが所有するグラフデータが、類似したノードの分布パターンを保証するためにホモフィリックであることが要求される。 異種グラフからの洞察を効果的に活用し、共有するために設計されたFGLフレームワークであるFedHEROを提案する。
  論文  参考訳（メタデータ） (2025-04-29T22:23:35Z)
• 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)
• FedSheafHN: Personalized Federated Learning on Graph-structured Data [22.825083541211168]
  我々はFedSheafHNと呼ばれるモデルを提案し、各クライアントのローカルサブグラフをサーバ構築コラボレーショングラフに埋め込む。 我々のモデルは複雑なクライアント特性の統合と解釈を改善します。 また、高速なモデル収束と効果的な新しいクライアントの一般化も備えている。
  論文  参考訳（メタデータ） (2024-05-25T04:51:41Z)
• 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)
• Visual Prompt Based Personalized Federated Learning [83.04104655903846]
  pFedPTと呼ばれる画像分類タスクのための新しいPFLフレームワークを提案し、クライアントのローカルデータ配信情報を暗黙的に表現するためにパーソナライズされた視覚的プロンプトを利用する。 CIFAR10とCIFAR100データセットの実験では、pFedPTは様々な設定でいくつかの最先端(SOTA)PFLアルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2023-03-15T15:02:15Z)
• FedAvg with Fine Tuning: Local Updates Lead to Representation Learning [54.65133770989836]
  Federated Averaging (FedAvg)アルゴリズムは、クライアントノードでのいくつかのローカルな勾配更新と、サーバでのモデル平均更新の交互化で構成されている。 我々は、FedAvgの出力の一般化の背景には、クライアントのタスク間の共通データ表現を学習する能力があることを示す。 異種データを用いたフェデレーション画像分類におけるFedAvgの表現学習能力を示す実証的証拠も提供する。
  論文  参考訳（メタデータ） (2022-05-27T00:55:24Z)

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。