論文の概要: Conformalized Neural Networks for Federated Uncertainty Quantification under Dual Heterogeneity

• arxiv url: http://arxiv.org/abs/2602.23296v1
• Date: Thu, 26 Feb 2026 18:07:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.832069
• Title: Conformalized Neural Networks for Federated Uncertainty Quantification under Dual Heterogeneity
• Title（参考訳）: 二重不均一性下でのフェデレーション不確かさ定量のためのコンフォーマル化ニューラルネットワーク
• Authors: Quang-Huy Nguyen, Jiaqi Wang, Wei-Shinn Ku,
• Abstract要約: FedWQ-CPは、経験的カバレッジ性能と、グローバルレベルとエージェントレベルでの効率のバランスをとる。 我々は,FedWQ-CPが最小の予測セットや間隔を生成しながら,エージェントワイズとグローバルカバレッジを実証的に維持していることを示す。
• 参考スコア（独自算出の注目度）: 15.145977202997768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) faces challenges in uncertainty quantification (UQ). Without reliable UQ, FL systems risk deploying overconfident models at under-resourced agents, leading to silent local failures despite seemingly satisfactory global performance. Existing federated UQ approaches often address data heterogeneity or model heterogeneity in isolation, overlooking their joint effect on coverage reliability across agents. Conformal prediction is a widely used distribution-free UQ framework, yet its applications in heterogeneous FL settings remains underexplored. We provide FedWQ-CP, a simple yet effective approach that balances empirical coverage performance with efficiency at both global and agent levels under the dual heterogeneity. FedWQ-CP performs agent-server calibration in a single communication round. On each agent, conformity scores are computed on calibration data and a local quantile threshold is derived. Each agent then transmits only its quantile threshold and calibration sample size to the server. The server simply aggregates these thresholds through a weighted average to produce a global threshold. Experimental results on seven public datasets for both classification and regression demonstrate that FedWQ-CP empirically maintains agent-wise and global coverage while producing the smallest prediction sets or intervals.
• Abstract（参考訳）: フェデレートラーニング(FL)は、不確実性定量化(UQ)の課題に直面している。 信頼性の高いUQがなければ、FLシステムはリソース不足のエージェントに過剰に信頼されたモデルをデプロイするリスクがある。 既存の連合UQアプローチは、エージェント間のカバレッジ信頼性に対する共同効果を見越して、データ不均一性やモデル不均一性を分離して扱うことが多い。 コンフォーマル予測は分布自由なUQフレームワークとして広く使われているが、不均一なFL設定におけるその応用はいまだ検討されていない。 我々は、二重不均一性の下で、グローバルレベルとエージェントレベルの両方で、経験的カバレッジ性能と効率のバランスをとる、シンプルで効果的なアプローチであるFedWQ-CPを提供する。 FedWQ-CPは単一の通信ラウンドでエージェントサーバキャリブレーションを実行する。 各エージェントでは、校正データに基づいて適合度スコアが算出され、局所量子しきい値が導出される。 各エージェントは、その量子しきい値とキャリブレーションサンプルサイズのみをサーバに送信する。 サーバは単にこれらのしきい値を重み付き平均で集約し、グローバルなしきい値を生成する。 分類と回帰の両方のための7つの公開データセットの実験結果は、FedWQ-CPが最小の予測セットや間隔を生成しながら、エージェントワイドおよびグローバルカバレッジを実証的に維持していることを示している。

関連論文リスト

• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Federated Conditional Conformal Prediction via Generative Models [12.463514743585515]
  Conformal Prediction (CP) は、分布のない不確実性定量化を提供する。 Fed Conditional Conformal Prediction (Fed-CCP)は、ローカルデータの不均一性に対応する条件付きカバレッジを目指している。 実際のデータセットの実験は、Fed-CCPがより適応的な予測セットを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-15T08:38:38Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction [0.0]
  動的しきい値キャリブレーションとクロスモーダル整合性検証を統合したモデル非依存不確実性定量化法を提案する。 このフレームワークは、様々なキャリブレーションとテストの分割比で安定したパフォーマンスを実現し、医療、自律システム、その他の安全に敏感な領域における現実的な展開の堅牢性を強調している。 この研究は、マルチモーダルAIシステムにおける理論的信頼性と実用性の間のギャップを埋め、幻覚検出と不確実性を考慮した意思決定のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-24T15:39:46Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Mind the Gap: Confidence Discrepancy Can Guide Federated Semi-Supervised Learning Across Pseudo-Mismatch [50.632535091877706]
  Federated Semi-Supervised Learning (FSSL)は、ラベル付きデータに制限のあるクライアント間でラベル付きデータを活用して、強力な一般化能力を持つグローバルモデルをトレーニングすることを目的としている。 ほとんどのFSSL手法は擬似ラベルによる整合正則化に依存しており、局所的またはグローバルなモデルからの予測を監督信号としてハード擬似ラベルに変換する。 擬似ラベルの品質は、フェデレーション学習の本質的な側面であるデータ不均一性によって大きく劣化していることを示す。
  論文  参考訳（メタデータ） (2025-03-17T14:41:51Z)
• On the Convergence of Heterogeneous Federated Learning with Arbitrary Adaptive Online Model Pruning [15.300983585090794]
  任意適応型オンラインモデルプルーニングを用いた異種FLアルゴリズムの一元化フレームワークを提案する。 特に、ある十分な条件下では、これらのアルゴリズムは一般的なスムーズなコスト関数に対して標準FLの定常点に収束する。 コンバージェンスに影響を与える2つの要因として,プルーニング誘導雑音と最小カバレッジ指数を照らす。
  論文  参考訳（メタデータ） (2022-01-27T20:43:38Z)

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。