Fugu-MT 論文翻訳(概要): Federated Self-Supervised Learning for Automatic Modulation Classification under Non-IID and Class-Imbalanced Data

論文の概要: Federated Self-Supervised Learning for Automatic Modulation Classification under Non-IID and Class-Imbalanced Data

arxiv url: http://arxiv.org/abs/2510.04927v1
Date: Mon, 06 Oct 2025 15:37:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-07 16:52:59.945539
Title: Federated Self-Supervised Learning for Automatic Modulation Classification under Non-IID and Class-Imbalanced Data
Title（参考訳）: 非IIDおよびクラス不均衡データに基づく自動変調分類のためのフェデレーション自己監督学習
Authors: Usman Akram, Yiyue Chen, Haris Vikalo,
Abstract要約: フェデレーション学習は、分散クライアントでのトレーニングによる集中的な集約を避ける。我々は,クライアント間でのラベルなしI/Qシーケンスに対して,三重項の自己スーパービジョンで因果的・時間分割CNNを訓練し,次いで,小さなラベル付き集合上でのクライアントごとのSVMを学習するFedSSL-AMCを提案する。
参考スコア（独自算出の注目度）: 18.951106077022672
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Training automatic modulation classification (AMC) models on centrally aggregated data raises privacy concerns, incurs communication overhead, and often fails to confer robustness to channel shifts. Federated learning (FL) avoids central aggregation by training on distributed clients but remains sensitive to class imbalance, non-IID client distributions, and limited labeled samples. We propose FedSSL-AMC, which trains a causal, time-dilated CNN with triplet-loss self-supervision on unlabeled I/Q sequences across clients, followed by per-client SVMs on small labeled sets. We establish convergence of the federated representation learning procedure and a separability guarantee for the downstream classifier under feature noise. Experiments on synthetic and over-the-air datasets show consistent gains over supervised FL baselines under heterogeneous SNR, carrier-frequency offsets, and non-IID label partitions.
Abstract（参考訳）: 集中集約データに基づく自動変調分類(AMC)モデルのトレーニングは、プライバシの懸念を高め、通信オーバーヘッドを発生させ、しばしばチャンネルシフトにロバスト性を与えるのに失敗する。フェデレートラーニング(FL)は、分散クライアントのトレーニングによる集中的な集約を回避するが、クラス不均衡、非IIDクライアント分布、限定されたラベル付きサンプルに敏感である。我々は,クライアント間でのラベルなしI/Qシーケンスに対して,三重項の自己スーパービジョンで因果的・時間分割CNNを訓練し,次いで,小さなラベル付き集合上でのクライアントごとのSVMを学習するFedSSL-AMCを提案する。我々は,フェデレートされた表現学習手順の収束と,特徴雑音下での下流分類器の分離可能性を保証する。合成およびオーバー・ザ・エアデータセットの実験は、異種SNR、キャリア周波数オフセット、および非IIDラベルパーティションの下で、教師付きFLベースラインよりも一貫した利得を示す。

関連論文リスト

pFedBBN: A Personalized Federated Test-Time Adaptation with Balanced Batch Normalization for Class-Imbalanced Data [0.9087690587593468]
pFedBBNは、パーソナライズされたテスト時間適応フレームワークである。完全に教師なしの局所適応をサポートし、クラス認識モデル集約戦略を導入している。バランスの取れた特徴正規化とドメイン認識のコラボレーションを通じて、分散シフトとクラス不均衡の両方に対処する。
論文参考訳（メタデータ） (2025-11-22T14:01:41Z)
Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFL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） (2025-02-05T16:33:36Z)
FedClust: Tackling Data Heterogeneity in Federated Learning through Weight-Driven Client Clustering [26.478852701376294]
フェデレートラーニング(Federated Learning, FL)は、分散機械学習のパラダイムである。 FLの主な課題の1つは、クライアントデバイスにまたがる不均一なデータ分散の存在である。我々は,局所モデル重みとクライアントのデータ分布の相関を利用したCFLの新しい手法であるFedClustを提案する。
論文参考訳（メタデータ） (2024-07-09T02:47:16Z)
Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
論文参考訳（メタデータ） (2024-06-13T14:45:35Z)
Generalized Semi-Supervised Learning via Self-Supervised Feature Adaptation [87.17768598044427]
従来の半教師付き学習は、ラベル付きデータとラベルなしデータの特徴分布が一貫したものであると仮定する。本稿では,ラベル付きおよびラベルなしデータの分散によるSSL性能向上のための汎用フレームワークであるセルフ・スーパービジョン・フィーチャー・アダプテーション(SSFA)を提案する。提案するSSFAは擬似ラベルベースのSSL学習者に適用可能であり,ラベル付き,ラベルなし,さらには目に見えない分布における性能を著しく向上させる。
論文参考訳（メタデータ） (2024-05-31T03:13:45Z)
FedClust: Optimizing Federated Learning on Non-IID Data through Weight-Driven Client Clustering [28.057411252785176]
Federated Learning(FL)は、分散型デバイス上で、ローカルデータを公開せずにコラボレーティブなモデルトレーニングを可能にする、新興の分散機械学習パラダイムである。本稿では,局所モデル重みとクライアントデータ分布の相関を利用した新しいCFL手法であるFedClustを提案する。
論文参考訳（メタデータ） (2024-03-07T01:50:36Z)
FedAnchor: Enhancing Federated Semi-Supervised Learning with Label Contrastive Loss for Unlabeled Clients [19.3885479917635]
Federated Learning(FL)は、デバイス間で共有されたグローバルモデルの協調トレーニングを促進する分散学習パラダイムである。本稿では,サーバ上のラベル付きアンカーデータにのみ訓練された分類ヘッドと組み合わせて,アンカーヘッドと呼ばれるユニークな二重ヘッド構造を導入する,革新的なFSSL手法であるFedAnchorを提案する。提案手法は, 高信頼度モデル予測サンプルに基づいて, 疑似ラベル技術に係わる検証バイアスと過度に適合する問題を緩和する。
論文参考訳（メタデータ） (2024-02-15T18:48:21Z)
Combating Data Imbalances in Federated Semi-supervised Learning with Dual Regulators [40.12377870379059]
フェデレートされた半教師付き学習(FSSL)は、少数のラベル付きデータからモデルをトレーニングするために現れる。デュアルレギュレータであるFedDureを用いた新しいFSSLフレームワークを提案する。 FedDureは、さまざまな設定で既存のメソッドよりも優れていることを示す。
論文参考訳（メタデータ） (2023-07-11T15:45:03Z)
Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
論文参考訳（メタデータ） (2022-09-30T05:42:56Z)
S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文参考訳（メタデータ） (2021-11-22T15:49:20Z)
Federated Unsupervised Representation Learning [56.715917111878106]
フェデレート非教師表現学習(FURL)と呼ばれるフェデレーション学習における新しい問題を定式化し、教師なしの共通表現モデルを学習する。 FedCAは2つの主要なモジュールで構成されている: 辞書モジュールは、各クライアントからのサンプルの表現を集約し、表現空間の整合性のためにすべてのクライアントと共有し、アライメントモジュールは、公開データに基づいてトレーニングされたベースモデル上で各クライアントの表現を整合させる。
論文参考訳（メタデータ） (2020-10-18T13:28:30Z)

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。