論文の概要: FedSPDnet: Geometry-Aware Federated Deep Learning with SPDnet

• arxiv url: http://arxiv.org/abs/2604.22494v1
• Date: Fri, 24 Apr 2026 12:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.449664
• Title: FedSPDnet: Geometry-Aware Federated Deep Learning with SPDnet
• Title（参考訳）: FedSPDnet: SPDnetによる深層学習の幾何学的認識
• Authors: Thibault Pautrel, Florent Bouchard, Ammar Mian, Guillaume Ginolhac,
• Abstract要約: 本稿では,Stiefel制約パラメータを持つ対称正定値行列(SPD)上で動作するSPDnetモデルのための2つの連合学習フレームワークを提案する。 我々は,FedPDnetがF1スコアにおいてフェデレーションされたEEGnetより優れ,フェデレーションや部分参加に対する堅牢性が向上し,通信ラウンド当たりのパラメータが少なくなることを示した。
• 参考スコア（独自算出の注目度）: 8.927002750209295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce two federated learning frameworks for the classical SPDnet model operating on symmetric positive definite (SPD) matrices with Stiefel-constrained parameters. Unlike standard Euclidean averaging, which violates orthogonality, our approach preserves geometric structure through two efficient aggregation strategies: ProjAvg, projecting arithmetic means onto the Stiefel manifold, and RLAvg, approximating tangent-space averaging via retractions and liftings. Both methods are computationally efficient, independent of the optimizer, and enable scalable federated learning for signal processing applications whose features are SPD matrices. Simulations on EEG motor imagery benchmarks show that FedSPDnet outperforms federated EEGnet in F1 score and robustness to federation and partial participation, while using fewer parameters per communication round.
• Abstract（参考訳）: 我々は、Stiefel制約パラメータを持つ対称正定値行列(SPD)上で動作する古典的なSPDnetモデルのための2つの連合学習フレームワークを提案する。 直交性に反する標準的なユークリッド平均化とは異なり、我々の手法は2つの効率的な集約戦略により幾何構造を保存する: ProjAvg, 算術平均をスティーフェル多様体に射影する、RLAvg, 引き取りと持ち上げによる接空間平均化を近似する。 どちらの手法も計算効率が良く、オプティマイザとは独立であり、SPD行列を特徴とする信号処理アプリケーションに対してスケーラブルなフェデレート学習を可能にする。 EEGモーター画像ベンチマークのシミュレーションでは、FedSPDnetはF1スコアにおいてフェデレーションされたEEGnetよりも優れており、フェデレーションや部分参加に対する堅牢性は高いが、通信ラウンド当たりのパラメータは少ない。

関連論文リスト

• A Unified SPD Token Transformer Framework for EEG Classification: Systematic Comparison of Geometric Embeddings [15.087284029364406]
  SPD多様体に対する埋め込み選択を勾配条件にリンクする形式解析と数値安定性を提供する。 我々はこれらの予測を,BWSPD,Log-Euclidean,Euclideanを3つのEEGパラダイム上で1500以上の実行で同一アーキテクチャ内で比較する統合トランスフォーマーフレームワークを用いて検証する。
  論文  参考訳（メタデータ） (2026-01-29T10:35:13Z)
• Geometry-Aware Deep Congruence Networks for Manifold Learning in Cross-Subject Motor Imagery [0.0]
  脳波ベースの脳-コンピュータインタフェースでは、クロスオブジェクト・モーター・イメージ・デコーディングが依然として大きな課題である。 本稿では,新しいジオメトリ対応プリプロセッシングモジュールとディープコングルーエンスネットワークを紹介する。 我々のフレームワークは、最強の古典的ベースラインに対して、クロスオブジェクトの精度を3～4%向上させる。
  論文  参考訳（メタデータ） (2025-11-24T09:46:55Z)
• Riemannian Multinomial Logistics Regression for SPD Neural Networks [60.11063972538648]
  本稿では,Symmetric Positive Definite (SPD) 行列のための新しいタイプのディープニューラルネットワークを提案する。 我々のフレームワークは、既存のSPDネットワークで最も人気のあるLogEig分類器について、斬新な説明を提供する。 本手法の有効性は,レーダ認識,人行動認識,脳波分類(EEG)の3つの応用で実証された。
  論文  参考訳（メタデータ） (2023-05-18T20:12:22Z)
• Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
  広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。 実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-26T18:31:52Z)

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。