論文の概要: FB-NLL: A Feature-Based Approach to Tackle Noisy Labels in Personalized Federated Learning

• arxiv url: http://arxiv.org/abs/2604.19729v1
• Date: Tue, 21 Apr 2026 17:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.912358
• Title: FB-NLL: A Feature-Based Approach to Tackle Noisy Labels in Personalized Federated Learning
• Title（参考訳）: FB-NLL:パーソナライズド・フェデレーション学習におけるノイズラベルへの特徴に基づくアプローチ
• Authors: Abdulmoneam Ali, Ahmed Arafa,
• Abstract要約: ユーザクラスタリングを反復的なトレーニングダイナミクスから切り離す機能中心のフレームワークであるFB-NLLを提案する。 我々のフレームワークは、平均精度と性能の安定性の観点から、常に最先端のベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 2.750124853532831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized Federated Learning (PFL) aims to learn multiple task-specific models rather than a single global model across heterogeneous data distributions. Existing PFL approaches typically rely on iterative optimization-such as model update trajectories-to cluster users that need to accomplish the same tasks together. However, these learning-dynamics-based methods are inherently vulnerable to low-quality data and noisy labels, as corrupted updates distort clustering decisions and degrade personalization performance. To tackle this, we propose FB-NLL, a feature-centric framework that decouples user clustering from iterative training dynamics. By exploiting the intrinsic heterogeneity of local feature spaces, FB-NLL characterizes each user through the spectral structure of the covariances of their feature representations and leverages subspace similarity to identify task-consistent user groupings. This geometry-aware clustering is label-agnostic and is performed in a one-shot manner prior to training, significantly reducing communication overhead and computational costs compared to iterative baselines. Complementing this, we introduce a feature-consistency-based detection and correction strategy to address noisy labels within clusters. By leveraging directional alignment in the learned feature space and assigning labels based on class-specific feature subspaces, our method mitigates corrupted supervision without requiring estimation of stochastic noise transition matrices. In addition, FB-NLL is model-independent and integrates seamlessly with existing noise-robust training techniques. Extensive experiments across diverse datasets and noise regimes demonstrate that our framework consistently outperforms state-of-the-art baselines in terms of average accuracy and performance stability.
• Abstract（参考訳）: パーソナライズド・フェデレート・ラーニング(PFL)は、異種データ分散をまたいだ単一のグローバルモデルではなく、複数のタスク固有のモデルを学習することを目的としている。 既存のPFLアプローチは、通常、同じタスクを一緒に実行する必要があるクラスタユーザへのモデル更新トラジェクトリのような反復的な最適化に依存します。 しかし,これらの学習力学に基づく手法は,クラスタリングの決定を歪ませたり,パーソナライズ性能を低下させたりすることで,低品質のデータやノイズラベルに対して本質的に脆弱である。 これを解決するために,ユーザクラスタリングを反復的なトレーニングダイナミクスから切り離す機能中心のフレームワークであるFB-NLLを提案する。 局所特徴空間の固有の不均一性を利用して、FB-NLLは特徴表現の共分散のスペクトル構造を通して各ユーザを特徴付け、サブスペース類似性を利用してタスク一貫性のあるユーザグループを識別する。 この幾何学的クラスタリングはラベルに依存しず、訓練前に一発的に実行され、反復的ベースラインと比較して通信オーバーヘッドと計算コストを著しく削減する。 そこで本稿では,クラスタ内のノイズラベルに対処するための特徴一貫性に基づく検出と修正戦略を提案する。 学習した特徴空間の方向アライメントを活用し,クラス固有の特徴部分空間に基づいてラベルを割り当てることにより,確率的雑音遷移行列を推定することなく,劣化した監督を緩和する。 さらに、FB-NLLはモデル非依存であり、既存のノイズロバストトレーニング技術とシームレスに統合される。 多様なデータセットやノイズレシエーションにわたる大規模な実験により、我々のフレームワークは平均精度とパフォーマンスの安定性の観点から、常に最先端のベースラインを上回っていることが示された。

関連論文リスト

• i-IF-Learn: Iterative Feature Selection and Unsupervised Learning for High-Dimensional Complex Data [5.761834753104483]
  i-IF-Learnは、機能選択とクラスタリングを共同で実行する教師なしのフレームワークである。 我々の中心となる革新は、擬似ラベル監視と教師なし信号とを効果的に組み合わせた適応的特徴選択統計である。 遺伝子マイクロアレイと単細胞RNA-seqデータセットの実験により、i-IF-Learnは古典的および深層クラスタリングベースラインを著しく超えることが示された。
  論文  参考訳（メタデータ） (2026-03-25T07:35:38Z)
• Neural Collapse-Inspired Multi-Label Federated Learning under Label-Distribution Skew [13.59179877525954]
  フェデレートラーニング(FL)は、分散クライアント間の協調モデルトレーニングを可能にする。 多くの実世界のアプリケーション、特に医用画像のような領域では、しばしばマルチラベル設定を含む。 本稿では,クライアント間で特徴分布を整列させ,高品質でクラスタ化された表現を学習する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T00:53:11Z)
• Bridging Weakly-Supervised Learning and VLM Distillation: Noisy Partial Label Learning for Efficient Downstream Adaptation [51.67328507400985]
  ノイズ部分ラベル学習(NPLL)では、各トレーニングサンプルは、複数のノイズアノテータによって注釈付けされた候補ラベルのセットに関連付けられている。 本稿では、事前学習された視覚言語モデルによって注釈付けされた部分ラベルからの学習に焦点を当てる。 革新的な協調整合正則化(Co-Reg)法を提案する。
  論文  参考訳（メタデータ） (2025-06-03T12:48:54Z)
• Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
  本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。 textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。 各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
  論文  参考訳（メタデータ） (2025-06-02T08:13:32Z)
• RCC-PFL: Robust Client Clustering under Noisy Labels in Personalized Federated Learning [8.37314799155978]
  本稿では,RCC-PFLというラベルに依存しない類似性に基づくクラスタリングアルゴリズムを提案する。 平均精度と分散低減率で複数のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-25T17:50:54Z)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• Dynamic Clustering and Cluster Contrastive Learning for Unsupervised Person Re-identification [29.167783500369442]
  教師なしRe-ID手法は、ラベルのないデータから堅牢で差別的な特徴を学習することを目的としている。 本稿では,動的クラスタリングとクラスタコントラスト学習(DCCC)手法を提案する。 提案したDCCCの有効性を検証するために, 広く利用されている複数の公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2023-03-13T01:56:53Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。