論文の概要: Personalized federated learning, Row-wise fusion regularization, Multivariate modeling, Sparse estimation

• arxiv url: http://arxiv.org/abs/2510.14413v1
• Date: Thu, 16 Oct 2025 08:18:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.775513
• Title: Personalized federated learning, Row-wise fusion regularization, Multivariate modeling, Sparse estimation
• Title（参考訳）: 個人化フェデレーション学習、ロウワイズ融合正規化、多変量モデリング、スパース推定
• Authors: Runlin Zhou, Letian Li, Zemin Zheng,
• Abstract要約: 既存のエントリーワイドのペナルティはクロスレスポンス依存を無視し、マトリックスワイドの融合はオーバーカップリングクライアントを無視する。 本稿では、クライアント間で行ベクトルをクラスタリングし、ロー内間隔を誘導するスパースロウワイズ・フュージョン正則化器を提案する。 我々は、SROFを線形化ADMMフレームワークに組み込む通信効率の高いフェデレーションアルゴリズムRowFedを開発した。
• 参考スコア（独自算出の注目度）: 0.4014524824655106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study personalized federated learning for multivariate responses where client models are heterogeneous yet share variable-level structure. Existing entry-wise penalties ignore cross-response dependence, while matrix-wise fusion over-couples clients. We propose a Sparse Row-wise Fusion (SROF) regularizer that clusters row vectors across clients and induces within-row sparsity, and we develop RowFed, a communication-efficient federated algorithm that embeds SROF into a linearized ADMM framework with privacy-preserving partial participation. Theoretically, we establish an oracle property for SROF-achieving correct variable-level group recovery with asymptotic normality-and prove convergence of RowFed to a stationary solution. Under random client participation, the iterate gap contracts at a rate that improves with participation probability. Empirically, simulations in heterogeneous regimes show that RowFed consistently lowers estimation and prediction error and strengthens variable-level cluster recovery over NonFed, FedAvg, and a personalized matrix-fusion baseline. A real-data study further corroborates these gains while preserving interpretability. Together, our results position row-wise fusion as an effective and transparent paradigm for large-scale personalized federated multivariate learning, bridging the gap between entry-wise and matrix-wise formulations.
• Abstract（参考訳）: クライアントモデルが不均一でありながら変数レベルの構造を共有する多変量対応のためのパーソナライズド・フェデレーション・ラーニングについて検討した。 既存のエントリーワイドのペナルティはクロスレスポンス依存を無視し、マトリックスワイドの融合はオーバーカップリングクライアントを無視する。 そこで我々は,SROF を線形化 ADMM フレームワークに組み込んだ通信効率の高いフェデレーションアルゴリズム RowFed を開発した。 理論的には、SROFが漸近正規性を持つ正しい可変レベル群回復を達成するためのオラクル特性を確立し、RowFedの定常解への収束を証明している。 ランダムなクライアントの参加の下では、繰り返しギャップの契約は、参加確率によって改善される。 経験的シミュレーションにより、RowFedは予測誤差と予測誤差を一貫して低減し、NonFed、FedAvg、およびパーソナライズされたマトリックス融合ベースライン上での可変レベルクラスタ回復を強化することが示されている。 実際のデータ研究は、解釈可能性を維持しながらこれらの利得をさらに裏付ける。 本研究の結果は,大規模個別化多変量学習において,行の融合を効果的かつ透過的なパラダイムとして位置づけ,進路の融合と行列の融合のギャップを埋めるものである。

関連論文リスト

• Scalable Robust Bayesian Co-Clustering with Compositional ELBOs [2.6756996523251964]
  共クラスタリングは、両方の次元において有意義なグループを明らかにするために、インスタンスと機能の双対性を利用する。 本稿では,列クラスタと列クラスタを直接学習する,完全変動型クラスタリングフレームワークについて紹介する。 提案手法は, 従来のコクラスタリング手法の利点を保ちながら, 精度とロバスト性にも優れる。
  論文  参考訳（メタデータ） (2025-04-05T06:48:05Z)
• 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)
• Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
  クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。 本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Variable Clustering via Distributionally Robust Nodewise Regression [7.289979396903827]
  可変クラスタリングのための多要素ブロックモデルについて検討し、ノード単位回帰の分布的ロバストなバージョンを定式化することにより、正規化サブスペースクラスタリングに接続する。 我々は凸緩和を導出し、ロバスト領域のサイズを選択するためのガイダンスを与え、そのためデータに基づいて正規化重み付けパラメータを提案し、実装のためのADMMアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-15T16:23:25Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。 本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。 その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-01-31T03:15:28Z)
• Federated Learning with Heterogeneous Data: A Superquantile Optimization Approach [0.0]
  我々は、不均一なデータを持つ個々のクライアントに対して、優れたパフォーマンスを確実に提供するように設計された、フェデレートされた学習フレームワークを提案する。 提案手法は,誤差の尾の統計を捉える水槽型学習訓練に基づく。
  論文  参考訳（メタデータ） (2021-12-17T11:00:23Z)

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。