論文の概要: FedTopo: Topology-Informed Representation Alignment in Federated Learning under Non-I.I.D. Conditions

• arxiv url: http://arxiv.org/abs/2511.12628v1
• Date: Sun, 16 Nov 2025 14:40:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.414692
• Title: FedTopo: Topology-Informed Representation Alignment in Federated Learning under Non-I.I.D. Conditions
• Title（参考訳）: FedTopo:非I.D.条件下でのフェデレーション学習におけるトポロジーインフォームド表現アライメント
• Authors: Ke Hu, Liyao Xiang, Peng Tang, Weidong Qiu,
• Abstract要約: FedTopo - Topological-Guided Block Screening (TGBS)とTopological Embedding (TE)を統合するフレームワーク Fashion-MNIST、CIFAR-10、CIFAR-100の4つの非I.D.パーティションによる実験は、FedTopoが収束を加速し、強いベースラインよりも精度を向上させることを示している。
• 参考スコア（独自算出の注目度）: 35.0734004020033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current federated-learning models deteriorate under heterogeneous (non-I.I.D.) client data, as their feature representations diverge and pixel- or patch-level objectives fail to capture the global topology which is essential for high-dimensional visual tasks. We propose FedTopo, a framework that integrates Topological-Guided Block Screening (TGBS) and Topological Embedding (TE) to leverage topological information, yielding coherently aligned cross-client representations by Topological Alignment Loss (TAL). First, Topology-Guided Block Screening (TGBS) automatically selects the most topology-informative block, i.e., the one with maximal topological separability, whose persistence-based signatures best distinguish within- versus between-class pairs, ensuring that subsequent analysis focuses on topology-rich features. Next, this block yields a compact Topological Embedding, which quantifies the topological information for each client. Finally, a Topological Alignment Loss (TAL) guides clients to maintain topological consistency with the global model during optimization, reducing representation drift across rounds. Experiments on Fashion-MNIST, CIFAR-10, and CIFAR-100 under four non-I.I.D. partitions show that FedTopo accelerates convergence and improves accuracy over strong baselines.
• Abstract（参考訳）: 現在のフェデレーション学習モデルは、特徴表現が分散し、ピクセルレベルまたはパッチレベルの目的が高次元視覚タスクに不可欠なグローバルトポロジを捉えることに失敗するため、異種(非I.I.D.)クライアントデータの下で劣化する。 本稿では,TGBS(Topological-Guided Block Screening)とTE(Topological Embedding)を統合するフレームワークであるFedTopoを提案する。 第一に、Topology-Guided Block Screening (TGBS) は、トポロジに富んだ特徴に焦点を絞った、最大トポロジカルセパビリティを持つブロックを自動で選択する。 次に、このブロックはコンパクトなトポロジカルエンベディングを生成し、各クライアントのトポロジカル情報を定量化する。 最後に、Topological Alignment Loss (TAL)は、最適化中にグローバルモデルとのトポロジ的整合性を維持するようクライアントに誘導する。 Fashion-MNIST、CIFAR-10、CIFAR-100の4つの非I.D.パーティションによる実験は、FedTopoが収束を加速し、強いベースラインよりも精度を向上させることを示している。

関連論文リスト

• Classification of Firn Data via Topological Features [2.3592914313389253]
  ファーン画像データの一般化およびロバスト分類のためのトポロジ的特徴量の評価を行った。 ファーン(Firn)とは、氷河の中で氷に圧縮されていない粒状雪の層を指す。
  論文  参考訳（メタデータ） (2025-04-22T14:33:33Z)
• Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
  トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。 Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。 本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-12-29T22:41:33Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• When Witnesses Defend: A Witness Graph Topological Layer for Adversarial Graph Learning [19.566775406771757]
  計算トポロジー、すなわちグラフの永続的ホモロジー表現から生まれたツールで、逆グラフ学習を橋渡しする。 グラフ上の逆解析に証人複体の概念を導入し、グラフの健全な形状特性にのみ焦点をあてる。 6つのデータセットにわたる実験により、Witness Graph Topological Layerは、さまざまな摂動や、さまざまな敵攻撃に対して、GNNの堅牢性を高めます。
  論文  参考訳（メタデータ） (2024-09-21T14:53:32Z)
• Edge Classification on Graphs: New Directions in Topological Imbalance [53.42066415249078]
  異なるクラスにまたがるエッジの歪んだ分布から生じる新しいトポロジカル不均衡問題」を同定する。 本稿では,各エッジのトポロジ的不均衡を測定する新しいトポロジ的指標であるトポロジカルエントロピー(TE)を紹介する。 TEをベースとした(合成)エッジのトレーニングに重点を置くため、トポロジカルリウェイトリングとTEウェッジベースのMixupという2つの戦略を開発した。
  論文  参考訳（メタデータ） (2024-06-17T16:02:36Z)
• Position-aware Structure Learning for Graph Topology-imbalance by Relieving Under-reaching and Over-squashing [67.83086131278904]
  トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。 PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。 私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
  論文  参考訳（メタデータ） (2022-08-17T14:04:21Z)
• Topology-Aware Segmentation Using Discrete Morse Theory [38.65353702366932]
  深部画像セグメンテーションネットワークを訓練し、位相精度を向上させる新しい手法を提案する。 1次元骨格や2次元パッチなど,位相的精度に重要なグローバル構造を明らかにする。 多様なデータセットに対して,DICEスコアとトポロジカルメトリクスの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-18T02:47:21Z)

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。