論文の概要: HybridVFL: Disentangled Feature Learning for Edge-Enabled Vertical Federated Multimodal Classification

• arxiv url: http://arxiv.org/abs/2512.10701v1
• Date: Thu, 11 Dec 2025 14:41:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.421714
• Title: HybridVFL: Disentangled Feature Learning for Edge-Enabled Vertical Federated Multimodal Classification
• Title（参考訳）: HybridVFL:エッジ付き垂直多モード分類のための遠方性特徴学習
• Authors: Mostafa Anoosha, Zeinab Dehghani, Kuniko Paxton, Koorosh Aslansefat, Dhavalkumar Thakker,
• Abstract要約: Vertical Federated Learning(VFL)は、モバイルヘルス診断のようなエッジAIシナリオのプライバシ保護パラダイムを提供する。 標準的なVFLシステムは、しばしば単純な機能融合のために性能上の制限を受ける。 本稿では,このボトルネックを克服するための新しいフレームワークであるHybridVFLを紹介する。
• 参考スコア（独自算出の注目度）: 0.043496401697112684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vertical Federated Learning (VFL) offers a privacy-preserving paradigm for Edge AI scenarios like mobile health diagnostics, where sensitive multimodal data reside on distributed, resource-constrained devices. Yet, standard VFL systems often suffer performance limitations due to simplistic feature fusion. This paper introduces HybridVFL, a novel framework designed to overcome this bottleneck by employing client-side feature disentanglement paired with a server-side cross-modal transformer for context-aware fusion. Through systematic evaluation on the multimodal HAM10000 skin lesion dataset, we demonstrate that HybridVFL significantly outperforms standard federated baselines, validating the criticality of advanced fusion mechanisms in robust, privacy-preserving systems.
• Abstract（参考訳）: Vertical Federated Learning(VFL)は、モバイルヘルス診断のようなエッジAIシナリオのプライバシ保護パラダイムを提供する。 しかし、標準的なVFLシステムは、単純な機能融合のために性能上の制限を受けることが多い。 本稿では,サーバ側クロスモーダル変換器と組み合わせてコンテキスト認識型融合を実現することで,このボトルネックを克服する新しいフレームワークであるHybridVFLを紹介する。 マルチモーダルなHAM10000皮膚病変データセットの体系的評価により、HybridVFLは標準のフェデレーションベースラインを著しく上回り、堅牢なプライバシ保護システムにおける高度な融合機構の臨界性を検証した。

関連論文リスト

• Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation [56.36237936346563]
  ファンデーションモデル(FM)は顕著な一般化を示すが、下流のタスクに適応する必要がある。 データプライバシー規制のため、クラウドベースのFMはプライベートエッジデータに直接アクセスできない。 エッジデバイスがラベルのない低解像度のデータのみを保持する実践的セミスーパービジョン・フェデレーションラーニング(PSSFL)を導入する。 我々の研究は、フェデレートされたシナリオにおけるスケーラブルでプライバシ保護のFM適応の道を開いた。
  論文  参考訳（メタデータ） (2025-08-22T17:47:02Z)
• Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
  Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。 閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。 LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
  論文  参考訳（メタデータ） (2025-07-13T09:14:17Z)
• HASFL: Heterogeneity-aware Split Federated Learning over Edge Computing Systems [28.707397274779318]
  エッジデバイス上で機械学習(ML)を民主化するための、有望なパラダイムとして、SFL(Split Federated Learning)が登場した。 既存のSFLアプローチは、エッジデバイスの不均一な機能のため、ストラグラー効果にかなり悩まされる。 本稿では,エッジデバイスのバッチサイズ (BS) とモデル分割 (MS) を適応的に制御し,資源の不均一性を克服する手法を提案する。
  論文  参考訳（メタデータ） (2025-06-10T04:00:01Z)
• OFL: Opportunistic Federated Learning for Resource-Heterogeneous and Privacy-Aware Devices [8.037795580924163]
  Opportunistic Federated Learning (OFL)は、リソースヘテロジニアスでプライバシを意識したFLデバイス用に明示的に設計された新しいFLフレームワークである。 OFLは、差分的にプライベートでオポチュニティなモデル更新機構を導入することで、強力なセキュリティを提供する。 OFLはモデル性能を満足し、効率とセキュリティを改善し、既存のソリューションより優れている。
  論文  参考訳（メタデータ） (2025-03-19T09:12:47Z)
• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• Federated Transformer: Multi-Party Vertical Federated Learning on Practical Fuzzily Linked Data [27.073959939557362]
  ファジィ識別子を持つ多人数ファジィVFLをサポートする新しいフレームワークFeTを紹介する。 実験の結果,FeTは50個までスケールした場合の精度で,ベースラインモデルを最大46%超えることがわかった。 2パーティファジィなVFL設定では、FeTは最先端のVFLモデルよりもパフォーマンスとプライバシが改善されている。
  論文  参考訳（メタデータ） (2024-10-23T16:00:14Z)
• Robust Collaborative Inference with Vertically Split Data Over Dynamic Device Environments [15.757660512833006]
  安全クリティカルなアプリケーションでは、環境破壊や極端な天候によるネットワーク障害に対して、協調推論は堅牢でなければならない。 まず、重要なネットワーク障害を経験できるデバイスの動的ネットワーク上で、ロバストな協調推論の問題を定式化する。 そこで我々は,マルチプルアグリゲーション(Multiple Aggregation with Gossip Rounds and Simulated Faults (MAGS))と呼ばれる最小限の手法を開発した。
  論文  参考訳（メタデータ） (2023-12-27T17:00:09Z)
• Hierarchical Personalized Federated Learning Over Massive Mobile Edge Computing Networks [95.39148209543175]
  大規模MECネットワーク上でPFLをデプロイするアルゴリズムである階層型PFL(HPFL)を提案する。 HPFLは、最適帯域割り当てを共同で決定しながら、トレーニング損失最小化とラウンドレイテンシ最小化の目的を組み合わせる。
  論文  参考訳（メタデータ） (2023-03-19T06:00:05Z)
• BlindFL: Vertical Federated Machine Learning without Peeking into Your Data [20.048695060411774]
  垂直連合学習(VFL)は、さまざまな参加者のプライベートデータに基づいてMLモデルを構築する場合を記述している。 本稿では,VFLトレーニングと推論のための新しいフレームワークであるBlindFLを紹介する。 BlindFLは、堅牢なプライバシー保証を達成しつつ、多様なデータセットやモデルを効率的にサポートする。
  論文  参考訳（メタデータ） (2022-06-16T07:26:50Z)
• Desirable Companion for Vertical Federated Learning: New Zeroth-Order Gradient Based Algorithm [140.25480610981504]
  VFLアルゴリズムを評価するための指標の完全なリストには、モデル適用性、プライバシ、通信、計算効率が含まれるべきである。 ブラックボックスのスケーラビリティを備えた新しいVFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-19T13:55:47Z)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)

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。