論文の概要: FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients
- arxiv url: http://arxiv.org/abs/2603.19722v1
- Date: Fri, 20 Mar 2026 08:01:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.046447
- Title: FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients
- Title（参考訳）: FedRG: ノイズの多いクライアントによるフェデレーション学習のための表現幾何学の開放
- Authors: Tian Wen, Zhiqin Yang, Yonggang Zhang, Xuefeng Jiang, Hao Peng, Yuwei Wang, Bo Han,
- Abstract要約: フェデレートラーニング(FL)は、分散シナリオにノイズの多いアノテーションが存在するため、パフォーマンスの低下に悩まされる。
雑音ラベルを認識するための方法(textbfFederated under textbfRepresentation textbfGemometry)を提案する。
- 参考スコア（独自算出の注目度）: 36.01783797965344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) suffers from performance degradation due to the inevitable presence of noisy annotations in distributed scenarios. Existing approaches have advanced in distinguishing noisy samples from the dataset for label correction by leveraging loss values. However, noisy samples recognition relying on scalar loss lacks reliability for FL under heterogeneous scenarios. In this paper, we rethink this paradigm from a representation perspective and propose \method~(\textbf{Fed}erated under \textbf{R}epresentation \textbf{G}emometry), which follows \textbf{the principle of ``representation geometry priority''} to recognize noisy labels. Firstly, \method~creates label-agnostic spherical representations by using self-supervision. It then iteratively fits a spherical von Mises-Fisher (vMF) mixture model to this geometry using previously identified clean samples to capture semantic clusters. This geometric evidence is integrated with a semantic-label soft mapping mechanism to derive a distribution divergence between the label-free and annotated label-conditioned feature space, which robustly identifies noisy samples and updates the vMF mixture model with the newly separated clean dataset. Lastly, we employ an additional personalized noise absorption matrix on noisy labels to achieve robust optimization. Extensive experimental results demonstrate that \method~significantly outperforms state-of-the-art methods for FL with data heterogeneity under diverse noisy clients scenarios.
- Abstract（参考訳）: フェデレートラーニング(FL)は、分散シナリオでノイズの多いアノテーションが必然的に存在するため、パフォーマンスが低下する。
既存の手法では、損失値を利用してラベル補正のためのデータセットからノイズのあるサンプルを区別する手法が進歩している。
しかし、スカラー損失に依存するノイズのあるサンプル認識は、不均一なシナリオ下でのFLの信頼性に欠ける。
本稿では,このパラダイムを表現的観点から再考し,<textbf{G}emometry</textbf{R}epresentation</textbf{G}emometry</textbf{G}emometry</textbf{the principle of `representation geometry priority''' に従って,ノイズラベルを認識することを提案する。
まず、'method~は自己スーパービジョンを用いてラベルに依存しない球面表現を作成する。
次に、以前に同定されたクリーンサンプルを使用してセマンティッククラスタを捕捉する、球状フォン・ミセス・フィッシャー混合モデル(vMF)をこの幾何学に反復的に適合させる。
この幾何学的証拠は、ラベルのないラベル条件付き特徴空間とアノテートされたラベル条件付き特徴空間との間の分布のばらつきを導出する意味ラベルのソフトマッピング機構と統合され、ノイズのあるサンプルをしっかり同定し、新しく分離されたクリーンデータセットでvMF混合モデルを更新する。
最後に、ロバストな最適化を実現するため、雑音ラベルにパーソナライズされたノイズ吸収行列を付加する。
大規模実験結果から,様々なノイズのあるクライアントシナリオ下でのデータの異質性により,<method</I>はFLの最先端手法を著しく上回ることがわかった。
関連論文リスト
- Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。
我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。
我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
論文 参考訳（メタデータ） (2026-01-19T07:55:29Z) - PCSR: Pseudo-label Consistency-Guided Sample Refinement for Noisy Correspondence Learning [17.302186298424836]
クロスモーダル検索は、意味的類似性によって異なるモダリティを整列することを目的としている。
既存の手法では、画像とテキストのペアが完全に整列していると仮定し、実データでノイズ対応を見渡すことが多い。
論文 参考訳（メタデータ） (2025-09-19T05:41:17Z) - FNBench: Benchmarking Robust Federated Learning against Noisy Labels [23.660857480962104]
本稿では,フェデレートラーニング(FL)における雑音ラベルに関する最初のベンチマーク研究について述べる。
本稿では, 合成ラベルノイズ, 不完全な人間のアノテーション誤り, 系統的誤りを含む3種類のラベルノイズパターンについて考察する。
評価には、5つの画像認識データセットと1つのテキスト分類データセットに18の最先端手法が組み込まれている。
論文 参考訳（メタデータ） (2025-05-10T16:14:52Z) - Stochastic Conditional Diffusion Models for Robust Semantic Image Synthesis [13.43968087563814]
条件拡散モデル(英: Conditional Diffusion Model, SCDM)は、雑音ラベル付きSISに適した新しい前処理と生成過程を特徴とする条件拡散モデルである。
提案手法は,広範囲な実験とベンチマークデータセットの分析により,高品質なサンプルを生成する。
論文 参考訳（メタデータ） (2024-02-26T11:41:28Z) - Improving group robustness under noisy labels using predictive
uncertainty [0.9449650062296823]
ノイズラベル下での最悪のグループ精度を改善するために,モデルの予測不確実性を利用する。
本稿では,モデルがノイズラベルに頑健でありながら,刺激的な手がかりを学習するのを防ぐ,新しいEntropy based Debiasing(END)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-14T04:40:50Z) - Neighborhood Collective Estimation for Noisy Label Identification and
Correction [92.20697827784426]
ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。
近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。
提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
論文 参考訳（メタデータ） (2022-08-05T14:47:22Z) - SimT: Handling Open-set Noise for Domain Adaptive Semantic Segmentation [58.61946589036262]
本稿では,ブラックボックスモデルを用いて,擬似ラベル付きターゲットデータのみにアクセス可能な実用的なドメイン適応(DA)セマンティックセマンティックセマンティクス問題について検討する。
ドメインギャップと2つのドメイン間のラベルシフトのため、擬似ラベル付きターゲットデータには、クローズドセットとオープンセットのラベルノイズが混在している。
DAセマンティックセグメンテーションにおける混合雑音分布をモデル化し、SimTの推定として問題を定式化するための単純なノイズ遷移行列(SimT)を提案する。
論文 参考訳（メタデータ） (2022-03-29T02:48:08Z) - S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。
提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。
提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文 参考訳（メタデータ） (2021-11-22T15:49:20Z) - Information Symmetry Matters: A Modal-Alternating Propagation Network
for Few-Shot Learning [118.45388912229494]
未ラベルサンプルの欠落した意味情報を補うために,モーダル代替伝搬ネットワーク (MAP-Net) を提案する。
我々は,情報伝達がより有益になるように,セマンティクスを介して視覚的関係ベクトルを誘導するリレーガイダンス(RG)戦略を設計する。
提案手法は有望な性能を達成し,最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2021-09-03T03:43:53Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z)
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。