Fugu-MT 論文翻訳(概要): FedDES: Graph-Based Dynamic Ensemble Selection for Personalized Federated Learning

論文の概要: FedDES: Graph-Based Dynamic Ensemble Selection for Personalized Federated Learning

arxiv url: http://arxiv.org/abs/2603.28006v1
Date: Mon, 30 Mar 2026 03:57:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-31 23:18:45.221614
Title: FedDES: Graph-Based Dynamic Ensemble Selection for Personalized Federated Learning
Title（参考訳）: FedDES: 個人化フェデレーション学習のためのグラフベースの動的アンサンブル選択
Abstract要約: FedDESは、動的アンサンブル選択によってインスタンスレベルのパーソナライズを実現する分散pFLフレームワークである。グラフニューラルネットワーク(GNN)メタラーナーは、データサンプルと候補分類器間の相互作用をモデル化する異種グラフに基づいて訓練される。 CIFAR-10および実世界のICU医療データによる実験では、FedDESは非IID環境での最先端のpFL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）: 0.07161783472741748
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Statistical heterogeneity in Federated Learning (FL) often leads to negative transfer, where a single global model fails to serve diverse client distributions. Personalized federated learning (pFL) aims to address this by tailoring models to individual clients. However, under most existing pFL approaches, clients integrate peer client contributions uniformly, which ignores the reality that not all peers are likely to be equally beneficial. Additionally, the potential for personalization at the instance level remains largely unexplored, even though the reliability of different peer models often varies across individual samples within the same client. We introduce FedDES (Federated Dynamic Ensemble Selection), a decentralized pFL framework that achieves instance-level personalization through dynamic ensemble selection. Central to our approach is a Graph Neural Network (GNN) meta-learner trained on a heterogeneous graph modeling interactions between data samples and candidate classifiers. For each test query, the GNN dynamically selects and weights peer client models, forming an ensemble of the most competent classifiers while effectively suppressing contributions from those that are irrelevant or potentially harmful for performance. Experiments on CIFAR-10 and real-world ICU healthcare data demonstrate that FedDES outperforms state-of-the-art pFL baselines in non-IID settings, offering robust protection against negative transfer.
Abstract（参考訳）: フェデレートラーニング(FL)における統計的不均一性は、単一のグローバルモデルが多様なクライアント分布に役立たず、負の伝達をもたらすことが多い。パーソナライズド・フェデレーション・ラーニング(pFL)は、モデルを個々のクライアントにカスタマイズすることでこの問題に対処することを目的としている。しかし、既存のほとんどのpFLアプローチでは、クライアントはピアクライアントのコントリビューションを均一に統合します。さらに、異なるピアモデルの信頼性は、同じクライアント内の個々のサンプルによって異なるが、インスタンスレベルでのパーソナライズの可能性については、まだ明らかにされていない。我々は、動的アンサンブル選択によりインスタンスレベルのパーソナライズを実現する分散pFLフレームワークであるFedDES(Federated Dynamic Ensemble Selection)を紹介する。我々のアプローチの中心は、データサンプルと候補分類器間の相互作用をモデル化する異種グラフに基づいて訓練されたグラフニューラルネットワーク(GNN)メタラーナーである。テストクエリ毎に、GNNはピアクライアントモデルを動的に選択および重み付けし、最も有能な分類器のアンサンブルを形成すると同時に、パフォーマンスに無関係で潜在的に有害なものからの貢献を効果的に抑制する。 CIFAR-10および実世界のICU医療データの実験では、FedDESは非IID環境で最先端のpFLベースラインを上回っ、負の転送に対する堅牢な保護を提供する。

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)
Towards Instance-wise Personalized Federated Learning via Semi-Implicit Bayesian Prompt Tuning [17.4339566214049]
pFedBayesPTは、視覚的なプロンプトチューニングに基づく、きめ細かいインスタンスワイズpFLフレームワークである。半単純変分推論フレームワークを用いて変分学習目標を導出する。ベンチマークデータセットの実験は、pFedBayesPTが既存のpFLメソッドを一貫して上回っていることを示している。
論文参考訳（メタデータ） (2025-08-27T06:59:10Z)
Not All Clients Are Equal: Collaborative Model Personalization on Heterogeneous Multi-Modal Clients [59.52341877720199]
計算コストを伴わずに異種アーキテクチャ間の知識共有を可能にするFedMosaicを提案する。実世界のタスクの多様性を模倣するために,40の異なるタスクにまたがるマルチモーダルPFLベンチマークを提案する。実証研究は、FedMosaicが最先端のPFL法より優れていることを示している。
論文参考訳（メタデータ） (2025-05-20T09:17:07Z)
Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文参考訳（メタデータ） (2025-01-17T04:00:50Z)
FedReMa: Improving Personalized Federated Learning via Leveraging the Most Relevant Clients [13.98392319567057]
Federated Learning (FL) は分散機械学習のパラダイムであり、分散計算と周期モデル合成によってグローバルに堅牢なモデルを実現する。広く採用されているにもかかわらず、既存のFLとPFLの作業は、クラス不均衡の問題に包括的に対処していない。本稿では,適応型クライアント間コラーニング手法を用いて,クラス不均衡に対処できる効率的なPFLアルゴリズムであるFedReMaを提案する。
論文参考訳（メタデータ） (2024-11-04T05:44:28Z)
SFedCA: Credit Assignment-Based Active Client Selection Strategy for Spiking Federated Learning [15.256986486372407]
フェデレーション学習のスパイクにより、リソースに制約のあるデバイスは、ローカルデータを交換することなく、低消費電力で協調的にトレーニングできる。既存のスパイキングフェデレーション学習手法では、クライアントのアグリゲーションに対してランダムな選択アプローチを採用しており、不偏なクライアントの参加を前提としている。本研究では,グローバルなサンプル分布バランスに寄与するクライアントを鑑定するために,クレジット割当に基づくアクティブクライアント選択戦略であるSFedCAを提案する。
論文参考訳（メタデータ） (2024-06-18T01:56:22Z)
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)
FedABC: Targeting Fair Competition in Personalized Federated Learning [76.9646903596757]
フェデレートラーニングは、クライアントのローカルプライベートデータにアクセスすることなく、モデルを協調的にトレーニングすることを目的としている。我々はFedABCと呼ばれるバイナリ分類によるFederated Averagingと呼ばれる新規で汎用的なPFLフレームワークを提案する。特に、各クライアントに1対1のトレーニング戦略を採用して、クラス間の不公平な競争を軽減する。
論文参考訳（メタデータ） (2023-02-15T03:42:59Z)
Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
論文参考訳（メタデータ） (2022-09-30T05:42:56Z)

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。