論文の概要: DFedReweighting: A Unified Framework for Objective-Oriented Reweighting in Decentralized Federated Learning

• arxiv url: http://arxiv.org/abs/2512.12022v1
• Date: Fri, 12 Dec 2025 20:30:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.076469
• Title: DFedReweighting: A Unified Framework for Objective-Oriented Reweighting in Decentralized Federated Learning
• Title（参考訳）: DFedReweighting: 分散型フェデレーション学習におけるオブジェクト指向リウェイトのための統一フレームワーク
• Authors: Kaichuang Zhang, Wei Yin, Jinghao Yang, Ping Xu,
• Abstract要約: bfDFedReweightingは、DFLシステムにおける多様な目的を達成するために設計された統合集約フレームワークである。 この結果から,目標性能指標とカスタマイズされた再重み付け戦略の適切な組み合わせにより,線形収束が保証されることが示唆された。
• 参考スコア（独自算出の注目度）: 10.932823356075566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized federated learning (DFL) has recently emerged as a promising paradigm that enables multiple clients to collaboratively train machine learning model through iterative rounds of local training, communication, and aggregation without relying on a central server which introduces potential vulnerabilities in conventional Federated Learning. Nevertheless, DFL systems continue to face a range of challenges, including fairness, robustness, etc. To address these challenges, we propose \textbf{DFedReweighting}, a unified aggregation framework designed to achieve diverse objectives in DFL systems via a objective-oriented reweighting aggregation at the final step of each learning round. Specifically, the framework first computes preliminary weights based on \textit{target performance metric} obtained from auxiliary dataset constructed using local data. These weights are then refined using \textit{customized reweighting strategy}, resulting in the final aggregation weights. Our results from the theoretical analysis demonstrate that the appropriate combination of the target performance metric and the customized reweighting strategy ensures linear convergence. Experimental results consistently show that our proposed framework significantly improves fairness and robustness against Byzantine attacks in diverse scenarios. Provided that appropriate target performance metrics and customized reweighting strategy are selected, our framework can achieve a wide range of desired learning objectives.
• Abstract（参考訳）: 分散フェデレーションラーニング(DFL)は、最近、複数のクライアントが、従来のフェデレーションラーニングに潜在的な脆弱性を導入する中央サーバに頼ることなく、ローカルトレーニング、コミュニケーション、アグリゲーションの反復ラウンドを通じて機械学習モデルを協調的にトレーニングできる有望なパラダイムとして登場した。 それでも、DFLシステムは、公平性、堅牢性など、さまざまな課題に直面し続けている。 これらの課題に対処するために,各学習ラウンドの最終段階における目的指向の再重み付けアグリゲーションを通じて,DFLシステムにおける多様な目的を達成するために設計された統合アグリゲーションフレームワークである「textbf{DFedReweighting」を提案する。 具体的には、まず、ローカルデータを用いて構築された補助データセットから得られた \textit{target performance metric} に基づいて、予備重みを計算する。 これらの重みは \textit{customized reweighting strategy} を用いて洗練され、最終的な集合重みとなる。 理論解析の結果、目標性能指標とカスタマイズされた再重み付け戦略の適切な組み合わせにより、線形収束が保証されることが示された。 実験の結果,提案手法は多様なシナリオにおけるビザンツ攻撃に対する公平性と堅牢性を大幅に向上させることが示された。 適切なパフォーマンス指標とカスタマイズされたリウェイト戦略が選択された場合、我々のフレームワークは幅広い学習目標を達成することができる。

関連論文リスト

• Dynamic Loss-Based Sample Reweighting for Improved Large Language Model Pretraining [55.262510814326035]
  既存のリウェイト戦略は主にグループレベルのデータの重要性に焦点を当てている。 動的・インスタンスレベルのデータ再重み付けのための新しいアルゴリズムを提案する。 当社のフレームワークでは,冗長データや非形式データを優先的に再重み付けする戦略を考案することが可能です。
  論文  参考訳（メタデータ） (2025-02-10T17:57:15Z)
• Optimizing Value of Learning in Task-Oriented Federated Meta-Learning Systems [10.332182237773818]
  デバイス間の個別のトレーニングニーズを評価するために、新しいメトリック、学習のメトリック値(VoL)が導入された。 タスクレベルの重み(TLW)は、FMLトレーニングのタスクレベルの考慮と公平性に基づいて定義される。
  論文  参考訳（メタデータ） (2025-01-07T00:30:31Z)
• Take the Bull by the Horns: Hard Sample-Reweighted Continual Training Improves LLM Generalization [165.98557106089777]
  大きな言語モデル(LLM)の能力を高めることが大きな課題だ。 本研究は,従来の事前学習データセットを用いたLCMの光連続訓練に関する実証的戦略から始まった。 次に、この戦略をインスタンス重み付け分散ロバスト最適化の原則化されたフレームワークに定式化します。
  論文  参考訳（メタデータ） (2024-02-22T04:10:57Z)
• FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning [5.622065847054885]
  Federated Learning (FL)は、分散デバイス間でのプライバシ保護モデルトレーニングのための有望なアプローチとして登場した。 我々はtextbfAdaptive textbfAggregation を通じてクライアントのコントリビューションを最適化する textbfFedAA という新しい手法を導入し、悪意のあるクライアントに対するモデルロバスト性を高める。
  論文  参考訳（メタデータ） (2024-02-08T10:22:12Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた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） (2023-12-22T02:12:08Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• When Computing Power Network Meets Distributed Machine Learning: An Efficient Federated Split Learning Framework [6.871107511111629]
  CPN-FedSLはComputer Power Network (CPN)上のFederated Split Learning (FedSL)フレームワークである。 私たちは、基本的な設定と学習特性(例えば、レイテンシ、フロー、収束)をキャプチャする専用のモデルを構築します。
  論文  参考訳（メタデータ） (2023-05-22T12:36:52Z)
• Supernet Training for Federated Image Classification under System Heterogeneity [15.2292571922932]
  本研究では,2つのシナリオ,すなわちフェデレーション・オブ・スーパーネット・トレーニング(FedSup)を考えるための新しい枠組みを提案する。 フェデレートラーニング(FL)のモデルアグリゲーション段階でのパラメータの平均化は、スーパーネットトレーニングにおけるウェイトシェアリングとどのように似ているかに着想を得ている。 本フレームワークでは,通信コストの削減とトレーニングオーバーヘッドの低減のために,放送段階のクライアントにサブモデルを送信することで,効率的なアルゴリズム(E-FedSup)を提案する。
  論文  参考訳（メタデータ） (2022-06-03T02:21:01Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。