論文の概要: Revealing the influence of participant failures on model quality in cross-silo Federated Learning

• arxiv url: http://arxiv.org/abs/2603.25289v1
• Date: Thu, 26 Mar 2026 10:28:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.244238
• Title: Revealing the influence of participant failures on model quality in cross-silo Federated Learning
• Title（参考訳）: クロスサイロ・フェデレーション・ラーニングにおける参加者の失敗がモデル品質に及ぼす影響について
• Authors: Fabian Stricker, David Bermbach, Christian Zirpins,
• Abstract要約: Federated Learning(FL)は、機械学習(ML)モデルを協調的にトレーニングするためのパラダイムである。 本稿では,欠席者がFL成績に及ぼす影響について検討する。 データスキューネス、異なるアベイラビリティパターン、モデルアーキテクチャなどの影響要因を考慮に入れます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) is a paradigm for training machine learning (ML) models in collaborative settings while preserving participants' privacy by keeping raw data local. A key requirement for the use of FL in production is reliability, as insufficient reliability can compromise the validity, stability, and reproducibility of learning outcomes. FL inherently operates as a distributed system and is therefore susceptible to crash failures, network partitioning, and other fault scenarios. Despite this, the impact of such failures on FL outcomes has not yet been studied systematically. In this paper, we address this gap by investigating the impact of missing participants in FL. To this end, we conduct extensive experiments on image, tabular, and time-series data and analyze how the absence of participants affects model performance, taking into account influencing factors such as data skewness, different availability patterns, and model architectures. Furthermore, we examine scenario-specific aspects, including the utility of the global model for missing participants. Our experiments provide detailed insights into the effects of various influencing factors. In particular, we show that data skewness has a strong impact, often leading to overly optimistic model evaluations and, in some cases, even altering the effects of other influencing factors.
• Abstract（参考訳）: フェデレーテッド・ラーニング(FL)は、生データをローカルに保つことで参加者のプライバシを保ちながら、協調的な設定で機械学習(ML)モデルをトレーニングするためのパラダイムである。 FLを生産に使用する上で重要な要件は信頼性であり、信頼性の欠如が学習結果の妥当性、安定性、再現性を損なう可能性がある。 FLは本質的に分散システムとして動作するため、クラッシュ障害やネットワークパーティショニング、その他の障害シナリオの影響を受けやすい。 それにもかかわらず、このような失敗がFL結果に与える影響は、まだ体系的に研究されていない。 本稿では,FLにおける欠席者の影響を調査し,このギャップに対処する。 この目的のために、画像、表、時系列データに関する広範な実験を行い、参加者の欠如がモデル性能にどのように影響するかを分析し、データ歪、異なる可用性パターン、モデルアーキテクチャといった影響要因を考慮に入れた。 さらに,欠席者に対するグローバルモデルの有用性を含め,シナリオ固有の側面について検討する。 本実験は, 各種要因の影響について, 詳細な知見を提供する。 特に、データ歪が強い影響を示し、しばしば過度に楽観的なモデル評価をもたらし、場合によっては他の影響要因の影響も変化させる。

関連論文リスト

• Analyzing the Impact of Participant Failures in Cross-Silo Federated Learning [0.0]
  Federated Learning(FL)は、データを共有することなく機械学習(ML)モデルをトレーニングするための新しいパラダイムである。 参加者数が少ないクロスサイロFLの文脈において,参加者の失敗がモデル品質に与える影響について検討した。 我々の結果は、堅牢なFLシステムの構築を目指す研究者やソフトウェアアーキテクトに洞察を与えます。
  論文  参考訳（メタデータ） (2025-11-18T12:59:51Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• An Empirical Study of the Impact of Federated Learning on Machine Learning Model Accuracy [6.907897341928317]
  Federated Learning (FL)は、グローバルスケールでプライベートユーザデータを分散MLモデルでトレーニングすることを可能にする。 我々は,この学習パラダイムが各種MLタスクの最先端MLモデルの精度にどのように影響するかを,体系的に検討する。
  論文  参考訳（メタデータ） (2025-03-26T17:52:30Z)
• A Thorough Assessment of the Non-IID Data Impact in Federated Learning [1.89791888476598]
  分散機械学習(FL)は、分散クライアントの情報間のコラボレーティブ機械学習(ML)トレーニングを可能にし、データのプライバシを保証する。 FLの分散特性は、非独立で同一に分散された(非IID)データを扱う。 その重要性にもかかわらず、あらゆる種類のデータ不均一性(すなわち非IIDness)に体系的に対処する実験的研究はほとんど残っていない。 非IID効果の評価と定量化を徹底的な実証分析によって行うことで,このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2025-03-21T11:53:36Z)
• Feasible Learning [78.6167929413604]
  本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。 大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
  論文  参考訳（メタデータ） (2025-01-24T20:39:38Z)
• Striving for data-model efficiency: Identifying data externalities on group performance [75.17591306911015]
  信頼できる、効果的で責任ある機械学習システムの構築は、トレーニングデータとモデリング決定の違いが、予測パフォーマンスにどのように影響するかを理解することに集中する。 我々は、特定のタイプのデータモデル非効率性に注目し、一部のソースからトレーニングデータを追加することで、集団の重要なサブグループで評価されるパフォーマンスを実際に低下させることができる。 以上の結果から,データ効率が正確かつ信頼性の高い機械学習の鍵となることが示唆された。
  論文  参考訳（メタデータ） (2022-11-11T16:48:27Z)
• Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
  本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。 CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。 我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
  論文  参考訳（メタデータ） (2021-11-26T10:57:47Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。