Fugu-MT 論文翻訳(概要): Fed-GAME: Personalized Federated Learning with Graph Attention Mixture-of-Experts For Time-Series Forecasting

論文の概要: Fed-GAME: Personalized Federated Learning with Graph Attention Mixture-of-Experts For Time-Series Forecasting

arxiv url: http://arxiv.org/abs/2603.01363v1
Date: Mon, 02 Mar 2026 01:43:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.645963
Title: Fed-GAME: Personalized Federated Learning with Graph Attention Mixture-of-Experts For Time-Series Forecasting
Title（参考訳）: Fed-GAME: 時系列予測のためのグラフ注意混合による個人化フェデレーション学習
Authors: Yi Li, Han Liu, Mingfeng Fan, Guo Chen, Chaojie Li, Biplab Sikdar,
Abstract要約: Fed-GAMEは、パーソナライズされたアグリゲーションを、学習可能な動的暗黙グラフ上のメッセージパッシングとしてモデル化するフレームワークである。 1) コンセンサスのためのグローバルモデル更新に使用される平均的な差分(2) より詳細なパーソナライズのためのグラフ注意混合(GAME)アグリゲータに入力される選択的な差分(2) に分解される。 2つの実世界の電気自動車充電データセットの実験では、Fed-GAMEは最先端のパーソナライズされたFLベースラインを上回っている。
参考スコア（独自算出の注目度）: 19.273120000998812
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning (FL) on graphs shows promise for distributed time-series forecasting. Yet, existing methods rely on static topologies and struggle with client heterogeneity. We propose Fed-GAME, a framework that models personalized aggregation as message passing over a learnable dynamic implicit graph. The core is a decoupled parameter difference-based update protocol, where clients transmit parameter differences between their fine-tuned private model and a shared global model. On the server, these differences are decomposed into two streams: (1) averaged difference used to updating the global model for consensus (2) the selective difference fed into a novel Graph Attention Mixture-of-Experts (GAME) aggregator for fine-grained personalization. In this aggregator, shared experts provide scoring signals while personalized gates adaptively weight selective updates to support personalized aggregation. Experiments on two real-world electric vehicle charging datasets demonstrate that Fed-GAME outperforms state-of-the-art personalized FL baselines.
Abstract（参考訳）: グラフ上のフェデレーション学習(FL)は、分散時系列予測を約束することを示している。しかし、既存のメソッドは静的トポロジに依存し、クライアントの不均一性に苦しむ。学習可能な動的暗黙グラフ上でのメッセージパッシングとしてパーソナライズされたアグリゲーションをモデル化するフレームワークであるFed-GAMEを提案する。コアは分離されたパラメータ差分ベースの更新プロトコルで、クライアントは細調整されたプライベートモデルと共有グローバルモデルの間のパラメータ差を送信します。 1) コンセンサスのためのグローバルモデル更新に使用される平均差分(2) より詳細なパーソナライズのための新しいグラフ注意混合(GAME)アグリゲータに供給される選択差分(2) に分解される。このアグリゲータでは、共有専門家がスコア信号を提供し、パーソナライズされたゲートは、パーソナライズされたアグリゲーションをサポートするために選択的更新を適応的に重み付けする。 2つの実世界の電気自動車充電データセットの実験では、Fed-GAMEは最先端のパーソナライズされたFLベースラインを上回っている。

関連論文リスト

FedPPA: Progressive Parameter Alignment for Personalized Federated Learning [0.9931624906346306]
フェデレートラーニング(FL)は、複数のクライアントがデータを共有せずに協調的にモデルをトレーニングできる、分散されたプライバシ保護機械学習パラダイムとして設計されている。実世界のシナリオでは、クライアントは不均一な計算資源を持ち、非独立で同一の分散データ(非IID)を保持し、トレーニング中に重大な課題を生じさせる。本稿では,クライアント間の共通レイヤの重み付けとグローバルモデルの重み付けを段階的に整合させるプログレッシブアライメント(FedPPA)を提案する。 MNIST、FMNIST、CIFAR-10を含む3つの画像分類データセットの実験は、FedPPAが既存のFLアルゴリズムより一貫して優れていることを示した。
論文参考訳（メタデータ） (2025-10-16T14:03:05Z)
Personalized Subgraph Federated Learning with Sheaf Collaboration [22.825083541211168]
FedSheafHNは、効率的なパーソナライズされたモデル生成で拡張されたクライアント記述子を統合するための、棚のコラボレーションメカニズム上に構築された新しいフレームワークである。具体的には、FedSheafHNは各クライアントのローカルサブグラフをサーバ構築のコラボレーショングラフに埋め込む。サーバ最適化ハイパーネットワークを通じて、カスタマイズされたクライアントモデルを生成する。
論文参考訳（メタデータ） (2025-08-19T08:52:50Z)
FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs [55.51300642911766]
Federated Graph Learning(FGL)は、クライアントがグラフニューラルネットワーク(GNN)を分散的にトレーニングすることを可能にする。 FGL法は通常、全てのクライアントが所有するグラフデータが、類似したノードの分布パターンを保証するためにホモフィリックであることが要求される。異種グラフからの洞察を効果的に活用し、共有するために設計されたFGLフレームワークであるFedHEROを提案する。
論文参考訳（メタデータ） (2025-04-29T22:23:35Z)
Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
Personalized One-shot Federated Graph Learning for Heterogeneous Clients [11.438281045702976]
Federated Graph Learning (FGL)は、クライアントのニーズに合わせてパーソナライズされたモデルをトレーニングすることで、モデルユーティリティの向上を目指している。既存のpFGL法では、異種グラフの下で多数の通信ラウンドが必要となる。ワンショットフェデレートラーニング(OFL)は、単一のラウンドでのコラボレーションを可能にするが、グラフデータには有効ではない。ローカルな個人情報とグローバルな洞察を適応的にバランスさせる2段階のパーソナライズドトレーニングアプローチを導入する。
論文参考訳（メタデータ） (2024-11-18T05:59:29Z)
An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
論文参考訳（メタデータ） (2024-04-29T05:55:23Z)
Visual Prompt Based Personalized Federated Learning [83.04104655903846]
pFedPTと呼ばれる画像分類タスクのための新しいPFLフレームワークを提案し、クライアントのローカルデータ配信情報を暗黙的に表現するためにパーソナライズされた視覚的プロンプトを利用する。 CIFAR10とCIFAR100データセットの実験では、pFedPTは様々な設定でいくつかの最先端(SOTA)PFLアルゴリズムより優れていた。
論文参考訳（メタデータ） (2023-03-15T15:02:15Z)
FL Games: A Federated Learning Framework for Distribution Shifts [71.98708418753786]
フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。本稿では,クライアント間で不変な因果的特徴を学習するフェデレーション学習のためのゲーム理論フレームワークFL GAMESを提案する。
論文参考訳（メタデータ） (2022-10-31T22:59:03Z)
FedEgo: Privacy-preserving Personalized Federated Graph Learning with Ego-graphs [22.649780281947837]
いくつかの実践的なシナリオでは、グラフデータは複数の分散パーティに別々に格納されます。上記の課題に対処するために,egoグラフに基づくフェデレーショングラフ学習フレームワークであるFedEgoを提案する。
論文参考訳（メタデータ） (2022-08-29T15:47:36Z)
FedAvg with Fine Tuning: Local Updates Lead to Representation Learning [54.65133770989836]
Federated Averaging (FedAvg)アルゴリズムは、クライアントノードでのいくつかのローカルな勾配更新と、サーバでのモデル平均更新の交互化で構成されている。我々は、FedAvgの出力の一般化の背景には、クライアントのタスク間の共通データ表現を学習する能力があることを示す。異種データを用いたフェデレーション画像分類におけるFedAvgの表現学習能力を示す実証的証拠も提供する。
論文参考訳（メタデータ） (2022-05-27T00:55:24Z)

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。