論文の概要: A Federated Many-to-One Hopfield model for associative Neural Networks

• arxiv url: http://arxiv.org/abs/2603.19902v1
• Date: Fri, 20 Mar 2026 12:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.134919
• Title: A Federated Many-to-One Hopfield model for associative Neural Networks
• Title（参考訳）: 連想型ニューラルネットワークのための多対一ホップフィールドモデル
• Authors: Andrea Alessandrelli, Fabrizio Durante, Andrea Ladiana, Andrea Lepre,
• Abstract要約: フェデレートラーニングは、生データを共有せずに協調的なトレーニングを可能にする。 我々は、異種連続的な設定で共有アーカイブタイプを学習する連合型連想メモリフレームワークを提案する。 このアプローチはプライバシを保護し、集中的なリプレイバッファを回避し、小さな、ノイズの多い、あるいは進化中のデータセットに対して堅牢である。
• 参考スコア（独自算出の注目度）: 0.17398560678845076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning enables collaborative training without sharing raw data, but struggles under client heterogeneity and streaming distribution shifts, where drift and novel data can impair convergence and cause forgetting. We propose a federated associative-memory framework that learns shared archetypes in heterogeneous, continual settings, where client data are independent but not necessarily balanced. Each client encodes its experience as a low-rank Hebbian operator, sent to a central server for aggregation and factorization into global archetypes. This approach preserves privacy, avoids centralized replay buffers, and is robust to small, noisy, or evolving datasets. We cast aggregation as a low-rank-plus-noise spectral inference problem, deriving theoretical thresholds for detectability and retrieval robustness. An entropy-based controller balances stability and plasticity in streaming regimes. Experiments with heterogeneous clients, drift, and novelty show improved global archetype reconstruction and associative retrieval, supporting the spectral view of federated consolidation.
• Abstract（参考訳）: フェデレートされた学習は、生データを共有せずに協調的なトレーニングを可能にするが、クライアントの不均一性とストリーミング配信シフトの下で苦労する。 我々は、クライアントデータが独立しているが必ずしもバランスが取れていない異種連続的な設定で共有アーチタイプを学習する連合型連想メモリフレームワークを提案する。 各クライアントは低ランクのHebbian演算子としての経験をエンコードし、集約と分解をグローバルなアーカイタイプにするために中央サーバに送信する。 このアプローチは、プライバシを保護し、集中的なリプレイバッファを回避し、小さな、ノイズの多い、あるいは進化中のデータセットに対して堅牢である。 我々は,低ランク・高雑音スペクトル推定問題としてアグリゲーションをキャストし,検出性および検索ロバスト性に関する理論的しきい値を導出した。 エントロピーベースのコントローラは、ストリーミングレシエーションの安定性と可塑性のバランスをとる。 不均質なクライアント、ドリフト、ノベルティによる実験は、フェデレートされた統合のスペクトルビューをサポートし、グローバルなアーキタイプ再構築と連想的検索を改善した。

関連論文リスト

• Resource-Adaptive Federated Text Generation with Differential Privacy [3.7397653111851814]
  差分的プライベート(DP)合成データセットは、グローバルな分布を近似し、タスク間で再利用することができる。 クライアントの能力に適応するフレキシブルな参加フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-07T04:11:58Z)
• 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)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Deploying Models to Non-participating Clients in Federated Learning without Fine-tuning: A Hypernetwork-based Approach [22.030687488408496]
  フェデレートラーニング(FL)は、プライバシー保護のための協調学習のための有望なパラダイムとして登場した。 本稿では,分布認識型埋め込みを前提としたハイパーネットワークを用いて,特殊モデルを動的に生成するHyperFedZeroを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:11:51Z)
• Robust Asymmetric Heterogeneous Federated Learning with Corrupted Clients [60.22876915395139]
  本稿では、異種・データ破損クライアントをモデルとした頑健な連立学習課題について検討する。 データ破損は、ランダムノイズ、圧縮アーティファクト、現実のデプロイメントにおける環境条件などの要因によって避けられない。 本稿では,これらの問題に対処する新しいロバスト非対称不均一なフェデレート学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-12T09:52:04Z)
• Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
  クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。 本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• 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)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• Stochastic Coded Federated Learning with Convergence and Privacy Guarantees [8.2189389638822]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習フレームワークとして多くの注目を集めている。 本稿では、トラグラー問題を緩和するために、SCFL(Coded Federated Learning)というコード付きフェデレーション学習フレームワークを提案する。 我々は、相互情報差分プライバシー(MI-DP)によるプライバシー保証を特徴付け、連合学習における収束性能を分析する。
  論文  参考訳（メタデータ） (2022-01-25T04:43:29Z)

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。