論文の概要: FeDMRA: Federated Incremental Learning with Dynamic Memory Replay Allocation
- arxiv url: http://arxiv.org/abs/2603.28455v1
- Date: Mon, 30 Mar 2026 13:58:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.429787
- Title: FeDMRA: Federated Incremental Learning with Dynamic Memory Replay Allocation
- Title（参考訳）: FeDMRA: 動的メモリリプレイアロケーションによるフェデレーションインクリメンタルラーニング
- Authors: Tiantian Wang, Xiang Xiang, Simon S. Du,
- Abstract要約: 本稿では,データ再生機構に基づくストレージの動的メモリ割り当て戦略を提案する。
クライアントのメモリの固定配置とは違って,提案方式では,モデル性能を向上させるために,クライアント間で限られたストレージリソースを合理的に割り当てることを強調する。
- 参考スコア（独自算出の注目度）: 33.48373559626086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In federated healthcare systems, Federated Class-Incremental Learning (FCIL) has emerged as a key paradigm, enabling continuous adaptive model learning among distributed clients while safeguarding data privacy. However, in practical applications, data across agent nodes within the distributed framework often exhibits non-independent and identically distributed (non-IID) characteristics, rendering traditional continual learning methods inapplicable. To address these challenges, this paper covers more comprehensive incremental task scenarios and proposes a dynamic memory allocation strategy for exemplar storage based on the data replay mechanism. This strategy fully taps into the inherent potential of data heterogeneity, while taking into account the performance fairness of all participating clients, thereby establishing a balanced and adaptive solution to mitigate catastrophic forgetting. Unlike the fixed allocation of client exemplar memory, the proposed scheme emphasizes the rational allocation of limited storage resources among clients to improve model performance. Furthermore, extensive experiments are conducted on three medical image datasets, and the results demonstrate significant performance improvements compared to existing baseline models.
- Abstract（参考訳）: フェデレーション・クラスインクリメンタル・ラーニング(FCIL)は、フェデレーション・クラスインクリメンタル・ラーニング(FCIL)が重要なパラダイムとして登場し、データプライバシを保護しつつ、分散クライアント間の継続的な適応モデル学習を可能にする。
しかし、実際のアプリケーションでは、分散フレームワーク内のエージェントノードにまたがるデータには、独立性がなく、同一に分散した(非IID)特性がしばしば現れ、従来の連続学習手法は適用できない。
これらの課題に対処するため,本論文では,データ再生機構に基づくストレージの動的メモリ割り当て戦略を提案する。
この戦略は、すべての参加クライアントのパフォーマンス公正性を考慮しつつ、データ不均一性の本質的な可能性を完全に活用することで、破滅的な忘れを軽減し、バランスよく適応的なソリューションを確立する。
クライアントのメモリの固定配置とは違って,提案方式では,モデル性能を向上させるために,クライアント間で限られたストレージリソースを合理的に割り当てることを強調する。
さらに, 3つの医用画像データセットに対して広範な実験を行い, 既存のベースラインモデルと比較して, 大幅な性能向上を示した。
関連論文リスト
- Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。
当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
論文 参考訳（メタデータ） (2026-01-21T14:51:01Z) - Sequential Data Augmentation for Generative Recommendation [54.765568804267645]
生成的レコメンデーションはパーソナライズされたシステムにおいて重要な役割を担い、ユーザの将来のインタラクションを過去の行動シーケンスから予測する。
データ拡張(Data augmentation)は、ユーザインタラクション履歴からトレーニングデータを構築するプロセスである。
我々は、サンプリングプロセスとして拡張をモデル化し、その結果のトレーニング分布の柔軟な制御を可能にする、原則化されたフレームワークであるGenPASを提案する。
ベンチマークと産業データセットを用いた実験により、GenPASは既存の戦略よりも精度、データ効率、パラメータ効率が優れていることが示された。
論文 参考訳（メタデータ） (2025-09-17T02:53:25Z) - 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) - FedDyMem: Efficient Federated Learning with Dynamic Memory and Memory-Reduce for Unsupervised Image Anomaly Detection [38.696266538838046]
非教師なし画像異常検出(UAD)は、産業および医療応用において重要なプロセスとなっている。
本稿では、FedDyMemと呼ばれる、教師なし画像異常検出のための動的メモリとメモリリデューサを備えた効率的なフェデレーション学習手法を提案する。
論文 参考訳（メタデータ） (2025-02-28T12:55:58Z) - 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) - FedDUAL: A Dual-Strategy with Adaptive Loss and Dynamic Aggregation for Mitigating Data Heterogeneity in Federated Learning [12.307490659840845]
フェデレートラーニング(FL)は、様々なクライアントからローカルに最適化されたモデルと、統一されたグローバルモデルを組み合わせる。
FLは、性能劣化、収束の遅さ、グローバルモデルの堅牢性低下など、重大な課題に直面している。
これらの問題を効果的に解決するために、革新的なデュアルストラテジーアプローチを導入する。
論文 参考訳（メタデータ） (2024-12-05T18:42:29Z) - Scalable Federated Unlearning via Isolated and Coded Sharding [76.12847512410767]
フェデレートされたアンラーニングは、クライアントレベルのデータエフェクトを削除するための有望なパラダイムとして登場した。
本稿では,分散シャーディングと符号化コンピューティングに基づく,スケーラブルなフェデレーション・アンラーニング・フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-29T08:41:45Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T07:45:53Z) - Straggler-Resilient Personalized Federated Learning [55.54344312542944]
フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。
これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。
提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
論文 参考訳（メタデータ） (2022-06-05T01:14:46Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
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。