論文の概要: SOFA-FL: Self-Organizing Hierarchical Federated Learning with Adaptive Clustered Data Sharing

• arxiv url: http://arxiv.org/abs/2512.08267v1
• Date: Tue, 09 Dec 2025 05:47:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.826106
• Title: SOFA-FL: Self-Organizing Hierarchical Federated Learning with Adaptive Clustered Data Sharing
• Title（参考訳）: SOFA-FL: 適応的クラスタデータ共有による自己組織型階層的フェデレーション学習
• Authors: Yi Ni, Xinkun Wang, Han Zhang,
• Abstract要約: SOFA-FLは階層的なフェデレーションシステムによる自己組織化と時間の経過とともに適応を可能にする新しいフレームワークである。 これらのメカニズムを統合することで、SOFA-FLはクライアント間の動的関係を効果的に捉え、パーソナライズ機能を強化する。
• 参考スコア（独自算出の注目度）: 2.668832984436106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) faces significant challenges in evolving environments, particularly regarding data heterogeneity and the rigidity of fixed network topologies. To address these issues, this paper proposes \textbf{SOFA-FL} (Self-Organizing Hierarchical Federated Learning with Adaptive Clustered Data Sharing), a novel framework that enables hierarchical federated systems to self-organize and adapt over time. The framework is built upon three core mechanisms: (1) \textbf{Dynamic Multi-branch Agglomerative Clustering (DMAC)}, which constructs an initial efficient hierarchical structure; (2) \textbf{Self-organizing Hierarchical Adaptive Propagation and Evolution (SHAPE)}, which allows the system to dynamically restructure its topology through atomic operations -- grafting, pruning, consolidation, and purification -- to adapt to changes in data distribution; and (3) \textbf{Adaptive Clustered Data Sharing}, which mitigates data heterogeneity by enabling controlled partial data exchange between clients and cluster nodes. By integrating these mechanisms, SOFA-FL effectively captures dynamic relationships among clients and enhances personalization capabilities without relying on predetermined cluster structures.
• Abstract（参考訳）: フェデレートラーニング(FL)は、特にデータ不均一性と固定ネットワークトポロジの剛性に関して、進化する環境において重大な課題に直面している。 これらの課題に対処するため, 階層型フェデレーションシステムによる自己組織化と適応を可能にする新しいフレームワークである「textbf{SOFA-FL} (Self-Organizing Hierarchical Federated Learning with Adaptive Clustered Data Sharing)」を提案する。 フレームワークは、(1) 効率的な階層構造を構築する(1) 表bf{Dynamic Multi-branch Agglomerative Clustering (DMAC) 、(2) 表bf{Self-organizing Hierarchical Adaptive Propagation and Evolution (SHAPE) 、(2) 表bf{Self-organizing Hierarchical Adpagation and Evolution (SHAPE) という3つのコアメカニズムに基づいて構築されている。 これらのメカニズムを統合することで、SOFA-FLはクライアント間の動的関係を効果的に把握し、所定のクラスタ構造に頼ることなくパーソナライズ機能を向上させる。

関連論文リスト

• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Breaking the MoE LLM Trilemma: Dynamic Expert Clustering with Structured Compression [14.086434595924716]
  Mixture-of-Experts (MoE) Large Language Models (LLM) は負荷不均衡、パラメータの冗長性、通信オーバーヘッドのトリレンマに直面している。 動的専門家クラスタリングと構造化圧縮に基づいて統合されたフレームワークを導入し,これらの問題に協調的に対処する。
  論文  参考訳（メタデータ） (2025-09-27T10:45:58Z)
• A new type of federated clustering: A non-model-sharing approach [6.5347053452025206]
  本研究では,データ協調クラスタリング(DC-Clustering)を提案する。 DC-Clusteringは、水平と垂直の分割が共存する複雑なデータパーティショニングシナリオ上のクラスタリングをサポートする。 その結果,本手法は,すべてのデータがプールされている集中クラスタリングに匹敵するクラスタリング性能が得られた。
  論文  参考訳（メタデータ） (2025-06-11T23:57:26Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Decoupled Subgraph Federated Learning [57.588938805581044]
  複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。 我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。 半教師付きノード分類のための6つのデータセットを用いて実験結果を用いてFedStructの有効性を検証する。
  論文  参考訳（メタデータ） (2024-02-29T13:47:23Z)
• Robust Hierarchical Clustering for Directed Networks: An Axiomatic Approach [13.406858660972551]
  有向ネットワークに対するロバストな階層的クラスタリング手法の完全な分類学的特徴を提供する。 本稿では,階層クラスタリングにおけるロバスト性に関連する3つの実用的特性について紹介する。 また,本手法の実装に対処し,実データへのアプリケーション記述を行う。
  論文  参考訳（メタデータ） (2021-08-16T17:28:21Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Heterogeneous Federated Learning [41.04946606973614]
  フェデレーション学習は、ローカルノードから協調モデルを融合させることで、散在するデータから学習する。 カオス的な情報分布のため、モデル融合は未整合パラメータに関する構造的不整合に悩まされる可能性がある。 本稿では,協調モデル間の強固な構造情報アライメントを確立するための,新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T19:06:59Z)

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。