論文の概要: A Taxonomy and Resolution Strategy for Client-Level Disagreements in Federated Learning

• arxiv url: http://arxiv.org/abs/2604.23386v1
• Date: Sat, 25 Apr 2026 17:28:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.30947
• Title: A Taxonomy and Resolution Strategy for Client-Level Disagreements in Federated Learning
• Title（参考訳）: フェデレートラーニングにおけるクライアントレベル診断の分類と解決戦略
• Authors: Daan Rosendal, Ana Oprescu,
• Abstract要約: フェデレーテッド・ラーニング(FL)は通常、非条件のコラボレーションを前提とします。 本稿では,このようなシナリオの分類を最初に導入することによって,「クライアントレベルの不一致」と呼ぶギャップを解消する。 分離されたモデル更新パスを作成し,管理することにより,厳密なクライアント排除を保証する,堅牢なマルチトラック解決戦略を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) typically assumes unconditional collaboration, a premise that overlooks the complexities of real-world, multi-stakeholder environments in which clients may need to exclude one another for strategic, regulatory, or competitive reasons. This paper addresses this gap, which we term 'client-level disagreements,' by first introducing a taxonomy of such scenarios. We then propose a robust, multi-track resolution strategy that guarantees strict client exclusion by creating and managing isolated model update paths ('tracks'), thereby preventing the cross-contamination and unfairness issues present in naive strategies. Through an empirical evaluation of our custom simulation system across 34 scenarios using the MNIST and N-CMAPSS datasets, we validate that our approach correctly handles permanent, temporal, and overlapping disagreement patterns. Our scalability analysis reveals the server-side resolution algorithm's overhead is negligible (<1 ms per round) even under heavy load. The primary scalability constraint is the client-side training load from participating in multiple tracks, a cost that we show can be effectively mitigated by a submodel reuse strategy. This work presents a scalable and architecturally sound method for managing client-level disagreements, and enhances the practical applicability of FL in settings where policy compliance and strategic control are non-negotiable.
• Abstract（参考訳）: フェデレーテッド・ラーニング(FL)は通常、非条件のコラボレーションを前提としています。これは、クライアントが戦略的、規制的、競争上の理由からお互いを除外する必要がある、実世界のマルチステークホルダー環境の複雑さを見落としている前提です。 本稿では,このようなシナリオの分類を最初に導入することによって,このギャップを「クライアントレベルの不一致」と呼ぶ。 次に、分離されたモデル更新パス(トラック)を作成し、管理することにより、厳密なクライアント排除を保証する堅牢なマルチトラック解決戦略を提案する。 MNISTデータセットとN-CMAPSSデータセットを用いて34シナリオにわたるカスタムシミュレーションシステムの実証的評価を行い、本手法が永続的、時間的、重複する相違パターンを正しく扱うことを検証した。 当社のスケーラビリティ解析によると,サーバ側解像度アルゴリズムのオーバーヘッドは重負荷下でも無視できる(<1ms)。 主なスケーラビリティの制約は、複数のトラックに参加することによるクライアント側のトレーニング負荷であり、それが示すコストは、サブモデル再利用戦略によって効果的に軽減できる。 本研究は、クライアントレベルの不一致を管理するためのスケーラブルでアーキテクチャ的に健全な方法を示し、政策コンプライアンスと戦略制御が不要な環境でのFLの実践的適用性を高める。

関連論文リスト

• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-31T03:11:51Z)
• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• STT-GS: Sample-Then-Transmit Edge Gaussian Splatting with Joint Client Selection and Power Control [77.56170394100022]
  Edge Gaussian splatting (EGS)は、分散クライアントからデータを集約し、エッジサーバでグローバルGSモデルをトレーニングする。 本稿では、異なるクライアントのビューコントリビューションを識別する新しいGS指向の目的関数を定式化する。 その結果,低サンプリング比でGS指向の目的を正確に予測できることが判明した。
  論文  参考訳（メタデータ） (2025-10-15T06:20:47Z)
• Not All Clients Are Equal: Collaborative Model Personalization on Heterogeneous Multi-Modal Clients [59.52341877720199]
  計算コストを伴わずに異種アーキテクチャ間の知識共有を可能にするFedMosaicを提案する。 実世界のタスクの多様性を模倣するために,40の異なるタスクにまたがるマルチモーダルPFLベンチマークを提案する。 実証研究は、FedMosaicが最先端のPFL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） (2025-05-20T09:17:07Z)
• Personalized Federated Learning under Model Dissimilarity Constraints [8.095373104009868]
  KARULAは、パーソナライズド・フェデレーション・ラーニングのための規則化された戦略であり、分散の違いに基づいて、クライアント間のペアワイズモデルの相違を制約する。 理論上、KARULA は O (1/K) の近傍レート定常点に滑らかで、おそらくは非関係な損失に収束することを示す。 合成および実データ集合上でKARULAを実証し、高度に複雑な相互関係の戦略の有効性を示す。
  論文  参考訳（メタデータ） (2025-05-12T13:54:55Z)
• Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable [7.257109577579576]
  この作業は、任意のクライアント参加とデータの異質性によって引き起こされるフェデレートラーニングの基本的な課題に取り組む。 本稿では、任意のクライアント参加のダイナミクスを正確に把握する新しいモデリングツールとして、行列と対応する時間変化グラフの概念を導入する。 FOCUSが任意のクライアントの参加にかかわらず、線形レートで正確な収束を達成することを示す厳密な証明を提供する。
  論文  参考訳（メタデータ） (2025-03-25T23:54:23Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• FedDUAL: A Dual-Strategy with Adaptive Loss and Dynamic Aggregation for Mitigating Data Heterogeneity in Federated Learning [12.307490659840845]
  フェデレートラーニング(FL)は、様々なクライアントからローカルに最適化されたモデルと、統一されたグローバルモデルを組み合わせる。 FLは、性能劣化、収束の遅さ、グローバルモデルの堅牢性低下など、重大な課題に直面している。 これらの問題を効果的に解決するために、革新的なデュアルストラテジーアプローチを導入する。
  論文  参考訳（メタデータ） (2024-12-05T18:42:29Z)
• FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning [5.622065847054885]
  Federated Learning (FL)は、分散デバイス間でのプライバシ保護モデルトレーニングのための有望なアプローチとして登場した。 我々はtextbfAdaptive textbfAggregation を通じてクライアントのコントリビューションを最適化する textbfFedAA という新しい手法を導入し、悪意のあるクライアントに対するモデルロバスト性を高める。
  論文  参考訳（メタデータ） (2024-02-08T10:22:12Z)

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。