論文の概要: FedHUG: Federated Heterogeneous Unsupervised Generalization for Remote Physiological Measurements

• arxiv url: http://arxiv.org/abs/2510.12132v1
• Date: Tue, 14 Oct 2025 04:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.186034
• Title: FedHUG: Federated Heterogeneous Unsupervised Generalization for Remote Physiological Measurements
• Title（参考訳）: FedHUG:遠隔生理計測のためのフェデレーション不均一な一般化
• Authors: Xiao Yang, Jiyao Wang,
• Abstract要約: 我々は、Federated Unsupervised Domain Generalization (FUDG)と呼ばれる新しいプロトコルをインスタンス化する。 textbfFedHUGフレームワークは次のように提案されている。 この提案は、RGBビデオまたはmmWaveレーダを用いた推定において、最先端技術よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 9.475598140911547
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Remote physiological measurement gained wide attention, while it requires collecting users' privacy-sensitive information, and existing contactless measurements still rely on labeled client data. This presents challenges when we want to further update real-world deployed models with numerous user data lacking labels. To resolve these challenges, we instantiate a new protocol called Federated Unsupervised Domain Generalization (FUDG) in this work. Subsequently, the \textbf{Fed}erated \textbf{H}eterogeneous \textbf{U}nsupervised \textbf{G}eneralization (\textbf{FedHUG}) framework is proposed and consists of: (1) Minimal Bias Aggregation module dynamically adjusts aggregation weights based on prior-driven bias evaluation to cope with heterogeneous non-IID features from multiple domains. (2) The Global Distribution-aware Learning Controller parameterizes the label distribution and dynamically manipulates client-specific training strategies, thereby mitigating the server-client label distribution skew and long-tail issue. The proposal shows superior performance across state-of-the-art techniques in estimation with either RGB video or mmWave radar. The code will be released.
• Abstract（参考訳）: リモート生理計測は,ユーザのプライバシに敏感な情報を収集する必要がある一方で,既存の非接触計測は依然としてラベル付きクライアントデータに依存している。 これは、多数のユーザデータにラベルが欠けている実世界のデプロイモデルをさらに更新したい場合の課題である。 これらの課題を解決するために、我々はFederated Unsupervised Domain Generalization (FUDG)と呼ばれる新しいプロトコルをインスタンス化する。 その後、次のフレームワークが提案され、(1) 最小バイアスアグリゲーションモジュールは、前向きバイアス評価に基づいて集約重みを動的に調整し、複数のドメインからの不均一な非IID特徴に対処する。 2)Global Distribution-Aware Learning Controllerはラベル分布をパラメータ化し,クライアント固有のトレーニング戦略を動的に操作することで,サーバ依存のラベル分布スキューとロングテール問題を緩和する。 この提案は、RGBビデオまたはmmWaveレーダを用いた推定において、最先端技術よりも優れた性能を示す。 コードはリリースされます。

関連論文リスト

• FedAPT: Federated Adversarial Prompt Tuning for Vision-Language Models [97.35577473867296]
  Federated Adversarial Prompt Tuning (textbfFedAPT)は、FPTの対向性を高めるために設計された新しい手法である。 この問題に対処するために,テキストプロンプトから視覚的なプロンプトを生成するtextbfclass-awareプロンプトジェネレータを提案する。 複数の画像分類データセットの実験は、対向ロバスト性を改善する上でFedAPTの優位性を示している。
  論文  参考訳（メタデータ） (2025-09-03T03:46:35Z)
• One-Shot Federated Unsupervised Domain Adaptation with Scaled Entropy Attention and Multi-Source Smoothed Pseudo Labeling [21.59850502993888]
  Federated Learning(FL)は、プライバシ保護による協調学習のための有望なアプローチである。 本稿では,これらの制約に対処する一発のフェデレーション・アントラクテッド・ドメイン適応(FUDA)手法を提案する。 具体的には,モデルアグリゲーションのためのSEA(Scaled Entropy Attention)と,ターゲット領域適応のためのMSPL(Multi-Source Pseudo Labeling)を紹介する。
  論文  参考訳（メタデータ） (2025-03-13T03:59:51Z)
• Overcoming label shift with target-aware federated learning [10.355835466049092]
  フェデレートラーニングにより、複数のアクターがプライベートデータを共有せずに、協力的にモデルをトレーニングできる。 一般的な理由はラベルシフトです -- ラベルの分布がクライアントとターゲットドメインによって異なります。 対象領域の性能向上のためにラベルシフトに適応する,原則的で実用的なモデルアグリゲーションスキームであるFedPALSを提案する。
  論文  参考訳（メタデータ） (2024-11-06T09:52:45Z)
• MS$^3$D: A RG Flow-Based Regularization for GAN Training with Limited Data [16.574346252357653]
  物理における再正規化群(RG)の考え方に基づく新しい正規化法を提案する。 本手法は,限られたデータシナリオ下でのGANの性能と安定性を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2024-08-20T18:37:37Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。