論文の概要: MLFCIL: A Multi-Level Forgetting Mitigation Framework for Federated Class-Incremental Learning in LEO Satellites

• arxiv url: http://arxiv.org/abs/2604.02356v1
• Date: Sat, 14 Mar 2026 12:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-12 18:41:08.519492
• Title: MLFCIL: A Multi-Level Forgetting Mitigation Framework for Federated Class-Incremental Learning in LEO Satellites
• Title（参考訳）: MLFCIL:LEO衛星におけるフェデレーション・クラスインクリメンタル・ラーニングのためのマルチレベルゲッティング・マイティゲーション・フレームワーク
• Authors: Heng Zhang, Xiaohong Deng, Sijing Duan, Wu Ouyang, KM Mahfujul, Yiqin Deng, Zhigang Chen,
• Abstract要約: Federated Class-Incremental Learning (FCIL)は、生データを共有せずに、分散インクリメンタルな学習を可能にする。 本稿では,破滅的な忘れを3つのソースに分解する多段階的忘れ軽減フレームワークMLFCILを提案する。 MLFCILは、リソースオーバーヘッドを最小限に抑えながら、精度と緩和の両面でベースラインを著しく上回っている。
• 参考スコア（独自算出の注目度）: 8.612785005549906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-Earth-orbit (LEO) satellite constellations are increasingly performing on-board computing. However, the continuous emergence of new classes under strict memory and communication constraints poses major challenges for collaborative training. Federated class-incremental learning (FCIL) enables distributed incremental learning without sharing raw data, but faces three LEO-specific challenges: non-independent and identically distributed data heterogeneity caused by orbital dynamics, amplified catastrophic forgetting during aggregation, and the need to balance stability and plasticity under limited resources. To tackle these challenges, we propose MLFCIL, a multi-level forgetting mitigation framework that decomposes catastrophic forgetting into three sources and addresses them at different levels: class-reweighted loss to reduce local bias, knowledge distillation with feature replay and prototype-guided drift compensation to preserve cross-task knowledge, and class-aware aggregation to mitigate forgetting during federation. In addition, we design a dual-granularity coordination strategy that combines round-level adaptive loss balancing with step-level gradient projection to further enhance the stability-plasticity trade-off. Experiments on the NWPU-RESISC45 dataset show that MLFCIL significantly outperforms baselines in both accuracy and forgetting mitigation, while introducing minimal resource overhead.
• Abstract（参考訳）: 低地球軌道(LEO)衛星コンステレーションは、ますますオンボードコンピューティングを実行している。 しかし、厳密な記憶とコミュニケーションの制約の下での新しいクラスが継続的に出現することは、協調トレーニングに大きな課題をもたらす。 Federated Class-Incremental Learning (FCIL)は、生データを共有せずに分散インクリメンタルな学習を可能にするが、3つのLEO固有の課題に直面している。 これらの課題に対処するため、MLFCILは、破滅的な忘れを3つのソースに分解し、局所バイアスを減らすためのクラスリウェイト損失、特徴リプレイによる知識蒸留とプロトタイプ誘導ドリフト補償によるクロスタスク知識の保存のためのクラスアウェアアグリゲーション、フェデレーション時の忘れを緩和するクラスアウェアアグリゲーションという、様々なレベルに対処するマルチレベルな忘れの緩和フレームワークを提案する。 さらに, 弾塑性トレードオフを一層高めるため, ラウンドレベル適応損失分散とステップレベル勾配予測を併用した二重粒度協調戦略を設計する。 NWPU-RESISC45データセットの実験では、MLFCILはリソースオーバーヘッドを最小限に抑えながら、精度と緩和の両面でベースラインを著しく上回っている。

関連論文リスト

• Multi-AUV Cooperative Target Tracking Based on Supervised Diffusion-Aided Multi-Agent Reinforcement Learning [19.584329065489893]
  本稿では,グローバルトレーニングスケジューリング,マルチエージェント調整,ローカル意思決定,リアルタイム実行の4層からなる階層型MARLアーキテクチャを提案する。 1) 分離された経験プールによる非定常性軽減のための構造化経験リプレイによる二重決定アーキテクチャ,2) 拡散モデルの逆復調過程を誘導して収束を加速する高忠実度トレーニングサンプルを生成する教師付き学習機構,3) 行動クローン損失を組み込んだ外乱ロバストなポリシー学習により,高品質なリプレイ動作を導出し,不要なネットワーク更新を実現すること,の3つの革新を特徴とする。
  論文  参考訳（メタデータ） (2026-03-31T08:32:32Z)
• Resilient Class-Incremental Learning: on the Interplay of Drifting, Unlabelled and Imbalanced Data Streams [3.3977968101293956]
  本稿では,これらの課題に対処するためのSCIL(Streaming Class-Incremental Learning)を提案する。 このフレームワークは、マルチクラスの予測のための多層パーセプトロンと自動エンコーダ(AE)を統合し、予測と新しいクラス検出にデュアルロス戦略(分類と再構築)を使用し、オンライントレーニングに修正済みの擬似ラベルを採用し、キューでクラスを管理し、不均衡を処理するためにオーバーサンプリングを適用する。 以上の結果から,SCILは強いベースラインや最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-02-10T11:37:39Z)
• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
  わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。 本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。 本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
  論文  参考訳（メタデータ） (2025-03-28T07:23:07Z)
• Continuous Knowledge-Preserving Decomposition with Adaptive Layer Selection for Few-Shot Class-Incremental Learning [73.59672160329296]
  CKPD-FSCILは、事前訓練された重量の未使用容量を解放する統合フレームワークである。 本手法は,適応性と知識保持の両面で,最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-01-09T07:18:48Z)
• TriplePlay: Enhancing Federated Learning with CLIP for Non-IID Data and Resource Efficiency [0.0]
  TriplePlayはCLIPをアダプタとして統合し、さまざまなデータ分散に対するFLの適応性とパフォーマンスを向上させるフレームワークである。 シミュレーションの結果,TriplePlayはGPU使用コストを効果的に削減し,学習プロセスの高速化を実現し,通信オーバーヘッドの低減を図っている。
  論文  参考訳（メタデータ） (2024-09-09T06:04:42Z)
• FedSat: A Statistical Aggregation Approach for Class Imbalanced Clients in Federated Learning [2.5628953713168685]
  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のための有望なパラダイムとして登場した。 本稿では,データの不均一性,すなわちラベルスキューネス,不足クラス,量スキューネスの3つの形態を扱うために設計された新しいFLアプローチであるFedSatを提案する。 さまざまなデータヘテロジニティ設定の実験は、FedSatが最先端のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-07-04T11:50:24Z)
• OrCo: Towards Better Generalization via Orthogonality and Contrast for Few-Shot Class-Incremental Learning [57.43911113915546]
  FSCIL(Few-Shot Class-Incremental Learning)は、問題空間を限られたデータで拡張するパラダイムを導入する。 FSCILの手法は、データが漸進的に到着するにつれて、破滅的な忘れ込みの課題に直面している。 表現空間における特徴の直交性と対照的な学習という2つの基本原理に基づいて構築されたOrCoフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-27T13:30:48Z)

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。