論文の概要: Beyond Aggregation: Guiding Clients in Heterogeneous Federated Learning

• arxiv url: http://arxiv.org/abs/2509.23049v1
• Date: Sat, 27 Sep 2025 02:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.006368
• Title: Beyond Aggregation: Guiding Clients in Heterogeneous Federated Learning
• Title（参考訳）: 集合を超えて:不均一なフェデレーション学習におけるクライアントの指導
• Authors: Zijian Wang, Xiaofei Zhang, Xin Zhang, Yukun Liu, Qiong Zhang,
• Abstract要約: 本論文は, 医療のシナリオを動機として, 中央サーバがモデルを構築するだけでなく, 患者を病院に誘導し, 特定の状態に最も適した患者を病院に案内できるか? 本稿では,各クライアント上で効率的なローカルモデルを学ぶこと,新しいクエリに最適なクライアントを見つけること,という2つの目標に同時に対処する実証的可能性ベースのフレームワークを提案する。 実験的な結果は、ベンチマークデータセットにおけるフレームワークの有効性を示し、標準的なFLアプローチと比較して、モデル精度とクライアントガイダンスの精度の両方の改善を示している。
• 参考スコア（独自算出の注目度）: 16.06057475881667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) is increasingly adopted in domains like healthcare, where data privacy is paramount. A fundamental challenge in these systems is statistical heterogeneity-the fact that data distributions vary significantly across clients (e.g., different hospitals may treat distinct patient demographics). While current FL algorithms focus on aggregating model updates from these heterogeneous clients, the potential of the central server remains under-explored. This paper is motivated by a healthcare scenario: could a central server not only build a model but also guide a new patient to the hospital best equipped for their specific condition? We generalize this idea to propose a novel paradigm for FL systems where the server actively guides the allocation of new tasks or queries to the most appropriate client in the network. To enable this, we introduce an empirical likelihood-based framework that simultaneously addresses two goals: (1) learning effective local models on each client, and (2) finding the best matching client for a new query. Empirical results demonstrate the framework's effectiveness on benchmark datasets, showing improvements in both model accuracy and the precision of client guidance compared to standard FL approaches. This work opens a new direction for building more intelligent and resource-efficient federated systems that leverage heterogeneity as a feature, not just a bug. Code is available at https://github.com/zijianwang0510/FedDRM.git.
• Abstract（参考訳）: フェデレーテッド・ラーニング(FL)は、データのプライバシが最重要である医療などの領域で採用されている。 これらのシステムにおける根本的な課題は、統計的不均一性である。データ分布がクライアントによって大きく異なるという事実(例えば、異なる病院は異なる患者の人口統計を扱いうる)。 現在のFLアルゴリズムは、これらの異種クライアントからのモデル更新の集約に重点を置いているが、中央サーバの可能性はまだ探索されていない。 本論文は, 医療のシナリオを動機として, 中央サーバがモデルを構築するだけでなく, 患者を病院に誘導し, 特定の状態に最も適した患者を病院に案内できるか? このアイデアを一般化して、サーバがネットワーク内の最も適切なクライアントに新しいタスクやクエリの割り当てを積極的にガイドする、FLシステムのための新しいパラダイムを提案する。 これを実現するために,(1)各クライアント上で効果的なローカルモデルを学ぶこと,(2)新しいクエリに最適なクライアントを見つけること,の2つの目標に同時に対処する実証的な可能性ベースのフレームワークを提案する。 実験的な結果は、ベンチマークデータセットにおけるフレームワークの有効性を示し、標準的なFLアプローチと比較して、モデル精度とクライアントガイダンスの精度の両方の改善を示している。 この作業は、バグだけでなく、不均一性を機能として活用する、よりインテリジェントでリソース効率のよいフェデレーションシステムを構築するための、新たな方向性を開く。 コードはhttps://github.com/zijianwang0510/FedDRM.gitで入手できる。

関連論文リスト

• Client Selection in Federated Learning with Data Heterogeneity and Network Latencies [19.161254709653914]
  Federated Learning(FL)は、複数のクライアントがプライベートデータに基づいてローカルトレーニングを行う分散機械学習パラダイムである。 本稿では,両不均一性を扱う理論的に最適なクライアント選択方式を2つ提案する。
  論文  参考訳（メタデータ） (2025-04-02T17:31:15Z)
• 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)
• FLASH: Federated Learning Across Simultaneous Heterogeneities [55.0981921695672]
  FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。 ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。 最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
  論文  参考訳（メタデータ） (2024-02-13T20:04:39Z)
• Tackling Intertwined Data and Device Heterogeneities in Federated Learning with Unlimited Staleness [4.9851737525099225]
  フェデレートラーニングは、クライアントの異なるローカルデータ分散と、モデルの更新をアップロードする際のレイテンシに起因する、データとデバイスの不均一性によって影響を受ける可能性がある。 本稿では,この変換の精度と計算効率を保証する新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-24T03:19:40Z)
• 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)
• Prototype Helps Federated Learning: Towards Faster Convergence [38.517903009319994]
  Federated Learning(FL)は、複数のクライアントが協力して、生データを交換することなく、共有モデルをトレーニングする分散機械学習技術である。 本稿では,従来のフェデレーション学習プロセスの最後のグローバルイテレーションにわずかな変更を加えるだけで,推論性能を向上する,プロトタイプベースのフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-22T04:06:29Z)
• Efficient Distribution Similarity Identification in Clustered Federated Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
  クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。 既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。 以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
  論文  参考訳（メタデータ） (2022-09-21T17:37:54Z)

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。