論文の概要: FedSIR: Spectral Client Identification and Relabeling for Federated Learning with Noisy Labels

• arxiv url: http://arxiv.org/abs/2604.20825v1
• Date: Wed, 22 Apr 2026 17:49:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.270606
• Title: FedSIR: Spectral Client Identification and Relabeling for Federated Learning with Noisy Labels
• Title（参考訳）: FedSIR: 雑音ラベルを用いたフェデレーション学習のためのスペクトルクライアント識別とリラベル
• Authors: Sina Gholami, Abdulmoneam Ali, Tania Haghighi, Ahmed Arafa, Minhaj Nur Alam,
• Abstract要約: フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 分散クライアントにまたがるノイズの多いラベルの存在は、学習性能を著しく低下させる可能性がある。 雑音ラベル下での強靭なFLのための多段階フレームワークであるFedSIRを提案する。
• 参考スコア（独自算出の注目度）: 2.0878272814614087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) enables collaborative model training without sharing raw data; however, the presence of noisy labels across distributed clients can severely degrade the learning performance. In this paper, we propose FedSIR, a multi-stage framework for robust FL under noisy labels. Different from existing approaches that mainly rely on designing noise-tolerant loss functions or exploiting loss dynamics during training, our method leverages the spectral structure of client feature representations to identify and mitigate label noise. Our framework consists of three key components. First, we identify clean and noisy clients by analyzing the spectral consistency of class-wise feature subspaces with minimal communication overhead. Second, clean clients provide spectral references that enable noisy clients to relabel potentially corrupted samples using both dominant class directions and residual subspaces. Third, we employ a noise-aware training strategy that integrates logit-adjusted loss, knowledge distillation, and distance-aware aggregation to further stabilize federated optimization. Extensive experiments on standard FL benchmarks demonstrate that FedSIR consistently outperforms state-of-the-art methods for FL with noisy labels. The code is available at https://github.com/sinagh72/FedSIR.
• Abstract（参考訳）: フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にするが、分散クライアント間のノイズの多いラベルの存在は、学習性能を著しく低下させる可能性がある。 本稿では,雑音ラベル下での堅牢なFLのための多段階フレームワークであるFedSIRを提案する。 ノイズ耐性損失関数の設計やトレーニング中の損失ダイナミクスの活用に大きく依存する既存の手法とは違い,本手法では,クライアント特徴表現のスペクトル構造を利用してラベルノイズを識別・緩和する。 私たちのフレームワークは3つのキーコンポーネントで構成されています。 まず,クラスワイズ機能部分空間のスペクトル一貫性を最小限の通信オーバーヘッドで解析することにより,クリーンでノイズの多いクライアントを同定する。 第二に、クリーンクライアントはスペクトル参照を提供し、ノイズの多いクライアントは、支配的なクラス方向と残留部分空間の両方を使って潜在的に破損したサンプルを退避させることができる。 第3に、ロジット調整された損失、知識蒸留、距離認識集約を統合して、フェデレーション最適化をさらに安定化させるノイズアウェアトレーニング戦略を採用する。 標準FLベンチマークの大規模な実験により、FedSIRはノイズラベル付きFLの最先端手法を一貫して上回っていることが示された。 コードはhttps://github.com/sinagh72/FedSIRで入手できる。

関連論文リスト

• FNBench: Benchmarking Robust Federated Learning against Noisy Labels [23.660857480962104]
  本稿では,フェデレートラーニング(FL)における雑音ラベルに関する最初のベンチマーク研究について述べる。 本稿では, 合成ラベルノイズ, 不完全な人間のアノテーション誤り, 系統的誤りを含む3種類のラベルノイズパターンについて考察する。 評価には、5つの画像認識データセットと1つのテキスト分類データセットに18の最先端手法が組み込まれている。
  論文  参考訳（メタデータ） (2025-05-10T16:14:52Z)
• Federated Learning Client Pruning for Noisy Labels [6.30126491637621]
  フェデレートラーニング(FL)は、分散エッジデバイス間の協調モデルトレーニングを可能にする。 本稿では,新しい視点からノイズラベルに対処する新しいフレームワークであるClipFLを紹介する。 クリーンなバリデーションデータセットでパフォーマンスに基づいて、ノイズの多いクライアントを特定して除外する。
  論文  参考訳（メタデータ） (2024-11-11T21:46:34Z)
• FedDiv: Collaborative Noise Filtering for Federated Learning with Noisy Labels [99.70895640578816]
  雑音ラベル付きフェデレーション学習(F-LNL)は,協調型分散学習を通じて最適なサーバモデルを求めることを目的としている。 我々はF-LNLの課題に取り組むためにFedDivを提案し、特にフェデレートノイズフィルタと呼ばれるグローバルノイズフィルタを提案する。
  論文  参考訳（メタデータ） (2023-12-19T15:46:47Z)
• FedNoisy: Federated Noisy Label Learning Benchmark [53.73816587601204]
  フェデレーション学習は、クライアントからの機密データを集約することなく、分散学習で人気を集めている。 データ分離の分散と分離の性質は、データ品質によって複雑になり、ノイズの多いラベルに対してより脆弱になる可能性がある。 私たちは、研究者が潜在的にフェデレートされたノイズ設定を十分に調査するのに役立つ、最初の標準ベンチマークを提供しています。
  論文  参考訳（メタデータ） (2023-06-20T16:18:14Z)
• FedCorr: Multi-Stage Federated Learning for Label Noise Correction [80.9366438220228]
  Federated Learning(FL)は、クライアントがグローバルモデルの共同トレーニングを可能にする、プライバシ保護の分散学習パラダイムである。 FLにおける異種ラベルノイズに対処する汎用多段階フレームワークであるtextttFedCorr$を提案する。 CIFAR-10/100でフェデレートされた合成ラベルノイズと実世界のノイズデータセットであるCloting1Mで実施された実験は、textttFedCorr$がラベルノイズに対して堅牢であることを実証した。
  論文  参考訳（メタデータ） (2022-04-10T12:51:18Z)

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。