論文の概要: SGFusion: Stochastic Geographic Gradient Fusion in Federated Learning
- arxiv url: http://arxiv.org/abs/2510.23455v1
- Date: Mon, 27 Oct 2025 15:56:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 19:54:32.622186
- Title: SGFusion: Stochastic Geographic Gradient Fusion in Federated Learning
- Title（参考訳）: SGFusion:フェデレートラーニングにおける確率的地理的勾配融合
- Authors: Khoa Nguyen, Khang Tran, NhatHai Phan, Cristian Borcea, Rouming Jin, Issa Khalil,
- Abstract要約: Geographic Gradient Fusion (SGFusion) は、Federated Learning (FL) におけるモバイルユーザの地理情報を活用するための新しいトレーニングアルゴリズムである。
SGFusionは、モバイルデバイスが収集したデータを地理的ゾーンにマッピングし、ゾーン毎にひとつのFLモデルをトレーニングする。
- 参考スコア（独自算出の注目度）: 7.848097520010369
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes Stochastic Geographic Gradient Fusion (SGFusion), a novel training algorithm to leverage the geographic information of mobile users in Federated Learning (FL). SGFusion maps the data collected by mobile devices onto geographical zones and trains one FL model per zone, which adapts well to the data and behaviors of users in that zone. SGFusion models the local data-based correlation among geographical zones as a hierarchical random graph (HRG) optimized by Markov Chain Monte Carlo sampling. At each training step, every zone fuses its local gradient with gradients derived from a small set of other zones sampled from the HRG. This approach enables knowledge fusion and sharing among geographical zones in a probabilistic and stochastic gradient fusion process with self-attention weights, such that "more similar" zones have "higher probabilities" of sharing gradients with "larger attention weights." SGFusion remarkably improves model utility without introducing undue computational cost. Extensive theoretical and empirical results using a heart-rate prediction dataset collected across 6 countries show that models trained with SGFusion converge with upper-bounded expected errors and significantly improve utility in all countries compared to existing approaches without notable cost in system scalability.
- Abstract（参考訳）: 本稿では,Federated Learning(FL)におけるモバイルユーザの地理情報を活用するための新しいトレーニングアルゴリズムであるSGFusionを提案する。
SGFusionは、モバイルデバイスが収集したデータを地理的ゾーンにマッピングし、ゾーン毎にひとつのFLモデルをトレーニングする。
SGFusionは、マルコフ・チェイン・モンテカルロサンプリングによって最適化された階層的ランダムグラフ(HRG)として、地理的ゾーン間の局所的なデータベースの相関をモデル化する。
各トレーニングステップでは、各ゾーンはその局所勾配をHRGからサンプリングされた小さな他のゾーンから派生した勾配と融合する。
このアプローチにより、確率的かつ確率的な勾配融合過程における地理的ゾーン間の知識の融合と共有が可能となり、「より類似した」ゾーンは勾配を「より大きな注意重み」で共有する「高い確率」を持つ。
SGFusionは、未処理の計算コストを導入することなく、モデルユーティリティを著しく改善する。
6か国で収集された心拍数予測データセットを用いて,SGFusionで訓練したモデルが上界予測誤差に収束し,システムスケーラビリティの顕著なコストを伴わない既存手法と比較して,全国で有効性を大幅に向上することを示す。
関連論文リスト
- Population synthesis with geographic coordinates [1.6419687521433917]
粗い地理的領域ではなく、明確な座標で合成集団を生成することがますます重要である。
空間座標をより規則的な潜在空間にマッピングする集団合成アルゴリズムを提案する。
実家と同じ統計特性を持つ合成住宅を121データセットで生成し,その有効性を実証する。
論文 参考訳（メタデータ） (2025-10-08T13:36:13Z) - PlaceFM: A Training-free Geospatial Foundation Model of Places using Large-Scale Point of Interest Data [0.5735035463793009]
PlaceFMは、トレーニング不要のクラスタリングベースのアプローチを通じて、プレース表現をキャプチャする。
placeFMは、米国Foursquareのデータから構築された関心グラフの全点をまとめたものだ。
placeFMは、興味のある場所を自動的に識別しながら、汎用的な領域埋め込みを生成する。
placeFMは、大規模POIグラフ上の領域レベルの表現を生成する際に、最大100倍のスピードアップを達成する。
論文 参考訳（メタデータ） (2025-06-25T15:10:31Z) - TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳（メタデータ） (2025-06-06T17:59:50Z) - An Interpretable Implicit-Based Approach for Modeling Local Spatial Effects: A Case Study of Global Gross Primary Productivity [9.352810748734157]
地球科学では、観測されていない要因は非定常分布を示し、特徴と対象の関係が空間的不均一性を示す。
地理的機械学習タスクでは、従来の統計学習手法は空間的不均一性を捉えるのに苦労することが多い。
我々は、深層ニューラルネットワークを用いた空間差と並行して、異なる場所で共通する特徴を同時にモデル化する、新しい視点を提案する。
論文 参考訳（メタデータ） (2025-02-10T05:44:54Z) - Space-aware Socioeconomic Indicator Inference with Heterogeneous Graphs [46.52719756897067]
非連続推論のための地理空間を表現するために不均一なグラフ構造を用いる空間認識型社会経済指標推論法GeoHGを提案する。
論文 参考訳（メタデータ） (2024-05-23T03:19:02Z) - 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) - Learning Regionalization using Accurate Spatial Cost Gradients within a Differentiable High-Resolution Hydrological Model: Application to the French Mediterranean Region [0.18139022013189662]
未採集における分散水文パラメータの推定は, 地域化の問題を引き起こす。
本稿では,学習可能な地域化マッピングを取り入れたハイブリッド・アシミレーション・地域化(HDA-PR)手法を提案する。
その結果,特に上流から下流までの補間において,HDA-PRの強い地域化が顕著となった。
論文 参考訳（メタデータ） (2023-08-02T07:23:50Z) - Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。
このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
論文 参考訳（メタデータ） (2022-02-17T02:01:37Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-08-03T15:00:31Z) - Adversarial Graph Representation Adaptation for Cross-Domain Facial
Expression Recognition [86.25926461936412]
本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。
提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2020-08-03T13:27:24Z)
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。