論文の概要: FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning

• arxiv url: http://arxiv.org/abs/2604.28024v1
• Date: Thu, 30 Apr 2026 15:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.171762
• Title: FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning
• Title（参考訳）: FedHarmony:Federated Multi-Label Learningにおける異種ラベル相関の調和
• Authors: Zhiqiang Kou, Junxiang Wu, Wenke Huang, Wenwen He, Ming-Kun Xie, Changwei Wang, Yuheng Jia, Di Jiang, Yang Liu, Xin Geng, Qiang Yang,
• Abstract要約: クライアント間での不均一なラベル相関を調和させるフレームワークであるFedHarmonyを提案する。 集約中、FedHarmonyはデータサイズと相関品質の両方で各クライアントを評価し、それに応じて重みを割り当てる。 実世界のフェデレートされたマルチラベルデータセットの実験は、FedHarmonyが一貫して最先端の手法より優れていることを示している。
• 参考スコア（独自算出の注目度）: 76.62016339908384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Multi-Label Learning is a distributed paradigm where multiple clients possess heterogeneous multi-label data and perform collaborative learning under privacy constraints without sharing raw data. However, modeling label correlations under heterogeneous distributions remains challenging. Due to client-specific label spaces and varying co-occurrence patterns, correlations learned by individual clients inevitably deviate from the global structure, a phenomenon we term label correlation drift. To address this, we propose FedHarmony, a framework that harmonizes heterogeneous label correlations across clients. It introduces consensus correlation, capturing agreement among other clients and serving as a global teacher to correct biased local estimates. During aggregation, FedHarmony evaluates each client by both data size and correlation quality, assigning weights accordingly. Moreover, we develop an accelerated optimization algorithm for FedHarmony and theoretically establish faster convergence without sacrificing accuracy. Experiments on real-world federated multi-label datasets show that FedHarmony consistently outperforms state-of-the-art methods.
• Abstract（参考訳）: Federated Multi-Label Learningは、複数のクライアントが異質なマルチラベルデータを保有し、生データを共有することなく、プライバシー制約の下で協調学習を行う分散パラダイムである。 しかし、異種分布下でのラベル相関のモデル化は依然として困難である。 クライアント固有のラベル空間と様々な共起パターンにより、各クライアントが学習した相関関係は、必然的にグローバル構造から逸脱する。 これを解決するために、クライアント間での不均一なラベル相関を調和させるフレームワークであるFedHarmonyを提案する。 コンセンサス相関を導入し、他のクライアント間の合意を取り、グローバルな教師として、バイアスのある地域推定を正す。 集約中、FedHarmonyはデータサイズと相関品質の両方で各クライアントを評価し、それに応じて重みを割り当てる。 さらに、FedHarmonyの高速化最適化アルゴリズムを開発し、理論的には精度を犠牲にすることなく高速収束を確立する。 実世界のフェデレートされたマルチラベルデータセットの実験は、FedHarmonyが一貫して最先端の手法より優れていることを示している。

関連論文リスト

• FedFusion: Federated Learning with Diversity- and Cluster-Aware Encoders for Robust Adaptation under Label Scarcity [33.17279604575767]
  FedFusionは、ドメイン適応とフラゲラベリングを統合する、フェデレートされたトランスファーラーニングフレームワークである。 遅延教師クライアントは、信頼度フィルタリングされた擬似ラベルとドメイン適応転送を通じて学習者クライアントをガイドする。 FedFusionは、常に最先端のベースライン、正確性、堅牢性、公正性を上回っている。
  論文  参考訳（メタデータ） (2025-09-23T16:46:06Z)
• Multi-Label Bayesian Active Learning with Inter-Label Relationships [6.641227380551414]
  両課題に対処する多ラベルアクティブラーニング戦略を提案する。 本手法は, 漸進的に更新された正相関行列と負相関行列を組み込んで, 共起関係と解離関係を捉える。 私たちの戦略は、いくつかの確立された方法と比較して、信頼性と優れたパフォーマンスを継続的に達成します。
  論文  参考訳（メタデータ） (2024-11-26T23:28:54Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• FedCoSR: Personalized Federated Learning with Contrastive Shareable Representations for Label Heterogeneity in Non-IID Data [11.389706928654965]
  本稿では,FedCoSR(Federated Contrastive Shareable Representations)という新しい個人学習アルゴリズムを提案する。 ローカルモデルの浅い層と典型的なローカル表現のパラメータは、どちらもサーバの共有可能な情報であると考えられている。 クライアント間でのラベル分布スキューによる性能劣化に対処するため、局所表現とグローバル表現の対比学習を採用する。
  論文  参考訳（メタデータ） (2024-04-27T14:05:18Z)
• Federated Learning with Only Positive Labels by Exploring Label Correlations [78.59613150221597]
  フェデレートラーニングは、プライバシー上の制約の下で複数のユーザのデータを使用することで、モデルを協調的に学習することを目的としている。 本稿では,フェデレート学習環境下でのマルチラベル分類問題について検討する。 ラベル相関(FedALC)を探索してフェデレート平均化(Federated Averaging)と呼ばれる新しい,汎用的な手法を提案する。
  論文  参考訳（メタデータ） (2024-04-24T02:22:50Z)
• JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
  半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。 擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。 我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:43:35Z)
• FedFM: Anchor-based Feature Matching for Data Heterogeneity in Federated Learning [91.74206675452888]
  本稿では,各クライアントの特徴を共有カテゴリーのアンカーにマッチさせる新しいFedFM法を提案する。 効率と柔軟性を向上させるため,FedFM-Liteと呼ばれるFedFM変種を提案し,クライアントは同期時間と通信帯域幅のコストを少なくしてサーバと通信する。
  論文  参考訳（メタデータ） (2022-10-14T08:11:34Z)
• Multi-View Correlation Consistency for Semi-Supervised Semantic Segmentation [59.34619548026885]
  半教師付きセマンティックセグメンテーションは、ラベルなしデータのリッチで堅牢な監視を必要とする。 本稿では,異なるビュー間の画素・画素対応を保証するビューコヒーレントなデータ拡張戦略を提案する。 2つのデータセットの半教師付き設定では、最先端の手法と比較して、競争の正確さが報告される。
  論文  参考訳（メタデータ） (2022-08-17T17:59:11Z)

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。