論文の概要: FedDBP: Enhancing Federated Prototype Learning with Dual-Branch Features and Personalized Global Fusion

• arxiv url: http://arxiv.org/abs/2603.29455v1
• Date: Tue, 31 Mar 2026 08:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.434514
• Title: FedDBP: Enhancing Federated Prototype Learning with Dual-Branch Features and Personalized Global Fusion
• Title（参考訳）: FedDBP: デュアルブランチ機能とパーソナライズされたグローバルフュージョンによるフェデレーション型学習の強化
• Authors: Ningzhi Gao, Siquan Huang, Leyu Shi, Ying Gao,
• Abstract要約: フェデレーション・プロトタイプ・ラーニング(FPL)はヘテロジニアス・フェデレーション・ラーニング(HFL)の解法である 既存のFPL手法では、特徴の忠実性と識別性のバランスが取れず、単一のグローバルプロトタイプによって制限されている。 上記の問題に対処する新しいFPL法であるFedDBPを提案する。
• 参考スコア（独自算出の注目度）: 5.143009545016404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated prototype learning (FPL), as a solution to heterogeneous federated learning (HFL), effectively alleviates the challenges of data and model heterogeneity.However, existing FPL methods fail to balance the fidelity and discriminability of the feature, and are limited by a single global prototype. In this paper, we propose FedDBP, a novel FPL method to address the above issues. On the client-side, we design a Dual-Branch feature projector that employs L2 alignment and contrastive learning simultaneously, thereby ensuring both the fidelity and discriminability of local features. On the server-side, we introduce a Personalized global prototype fusion approach that leverages Fisher information to identify the important channels of local prototypes. Extensive experiments demonstrate the superiority of FedDBP over ten existing advanced methods.
• Abstract（参考訳）: フェデレーション・プロトタイプ・ラーニング(FPL)は、ヘテロジニアス・フェデレーション・ラーニング(HFL)のソリューションとして、データとモデルの不均一性の課題を効果的に軽減するが、既存のFPL手法では特徴の忠実性と識別性のバランスが取れず、単一のグローバル・プロトタイプによって制限されている。 本稿では,上記の問題に対処する新しいFPL法であるFedDBPを提案する。 クライアント側では,L2アライメントとコントラスト学習を同時に行うDual-Branch機能プロジェクタを設計し,局所特徴の忠実性と識別性を両立させる。 サーバ側ではPersonalized Global prototype fusion approachを導入し,Fisher情報を利用してローカルプロトタイプの重要なチャネルを特定する。 大規模な実験は、FedDBPが既存の10種類の先進的手法よりも優れていることを示す。

関連論文リスト

• GFPL: Generative Federated Prototype Learning for Resource-Constrained and Data-Imbalanced Vision Task [43.723840781330914]
  フェデレートラーニング(FL)は、分散イメージのセキュアな活用を容易にする。 FLは、非効率的な知識融合と禁止的な通信オーバーヘッドという、現実世界の展開において2つの重要な課題に直面している。 本稿では,これらの問題に対処する新しいジェネレーティブ・フェデレーション・プロトタイプ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-25T12:57:45Z)
• FedProtoKD: Dual Knowledge Distillation with Adaptive Class-wise Prototype Margin for Heterogeneous Federated Learning [18.44030373279699]
  統計的不均一性とプライバシー問題に対処するための有望なソリューションとして,プロトタイプベースの不均一フェデレートラーニング(HFL)手法が出現する。 我々は、クライアントのロジットとプロトタイプ表現によるシステム性能向上のために、拡張された二重知識蒸留機構を用いて、異種フェデレート学習環境におけるFedProtoKDを提案する。 FedProtoKDは様々な設定で1.13%から34.13%の精度で平均的な改善を達成し、既存の最先端のHFL法よりも大幅に向上した。
  論文  参考訳（メタデータ） (2025-08-26T13:14:29Z)
• Robust Federated Learning on Edge Devices with Domain Heterogeneity [13.362209980631876]
  Federated Learning (FL)は、分散エッジデバイス間のデータプライバシを確保しながら、協調的なトレーニングを可能にする。 本稿では,FLグローバルモデルの一般化能力を向上させることにより,この問題に対処する新しいフレームワークを提案する。 特徴の多様性とモデルロバスト性を高めるために,プロトタイプベースのFLフレームワークであるFedAPCを紹介する。
  論文  参考訳（メタデータ） (2025-05-15T09:53:14Z)
• FedORGP: Guiding Heterogeneous Federated Learning with Orthogonality Regularization on Global Prototypes [31.93057335216804]
  フェデレートラーニング(FL)は、分散機械学習に不可欠なフレームワークとして登場した。 現在のアプローチでは、クラスを分離する際の制限に直面している。 本稿では,クラス内プロトタイプの類似性を奨励し,クラス間角分離を拡大するFedtFLORGを紹介する。
  論文  参考訳（メタデータ） (2025-02-22T07:02:51Z)
• A-FedPD: Aligning Dual-Drift is All Federated Primal-Dual Learning Needs [57.35402286842029]
  本稿では,グローバルクライアントとローカルクライアントの仮想二重配向を構成する新しいアラインドデュアルデュアル(A-FedPD)手法を提案する。 本稿では,A-FedPD方式の非集中型セキュリティコンセンサスに対する効率を包括的に分析する。
  論文  参考訳（メタデータ） (2024-09-27T17:00:32Z)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手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） (2023-12-10T18:49:59Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• Fine-tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning [86.59588262014456]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。 サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。 私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
  論文  参考訳（メタデータ） (2022-03-17T11:18:17Z)

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。