論文の概要: DeFed-GMM-DaDiL: A Decentralized Federated Framework for Domain Adaptation

• arxiv url: http://arxiv.org/abs/2605.04324v1
• Date: Tue, 05 May 2026 22:00:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.557389
• Title: DeFed-GMM-DaDiL: A Decentralized Federated Framework for Domain Adaptation
• Title（参考訳）: DeFed-GMM-DaDiL:ドメイン適応のための分散フェデレーションフレームワーク
• Authors: Rebecca Clain, Eduardo Fernandes Montesuma, Fred Ngole Mboula,
• Abstract要約: DeFed-GMM-DaDiLは、GMM-Dataset Dictionary Learning (DaDiL)フレームワークの拡張である。 各クライアントはデータセットをガウス混合モデル(GMM)としてモデル化する。 対象ドメインがクラスを欠いているシナリオにおいて、学習した表現の安定性を実証的に研究する。
• 参考スコア（独自算出の注目度）: 7.916373508978821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized multi-source domain adaptation seeks to transfer knowledge from multiple heterogeneous and related source domains to an unlabeled target domain in a decentralized setting. We address this challenge through a fully decentralized federated approach, DeFed-GMM-DaDiL, an extension of the GMM-Dataset Dictionary Learning (DaDiL) framework. Each client models its dataset as a Gaussian Mixture Model (GMM), and the federation jointly approximates them via labeled Wasserstein barycenters of shared, learnable GMM atoms. This design enables adaptation without a central server while preserving clients' privacy. We empirically study the stability of the learned representations in scenarios where the target domain has missing classes. Empirical results demonstrate that DeFed-GMM-DaDiL maintains stable and consistent shared representations across clients, effectively reconstructs missing classes, and achieves competitive performance on multi-source domain adaptation benchmarks.
• Abstract（参考訳）: 分散化されたマルチソースドメイン適応は、複数の異種および関連するソースドメインからの知識を分散化された環境でラベル付けされていないターゲットドメインに転送しようとする。 GMM-Dataset Dictionary Learning (DaDiL) フレームワークの拡張である DeFed-GMM-DaDiL を完全分散化することでこの問題に対処する。 それぞれのクライアントはデータセットをガウス混合モデル(GMM)としてモデル化し、連合は共有で学習可能なGMM原子のラベル付きワッサーシュタインバリセンタを通じてそれらを共同で近似する。 この設計により、クライアントのプライバシを保持しながら、中央サーバなしで適応できる。 対象ドメインがクラスを欠いているシナリオにおいて、学習した表現の安定性を実証的に研究する。 実験により,DeFed-GMM-DaDiLはクライアント間で安定かつ一貫した共有表現を維持し,欠落したクラスを効果的に再構築し,マルチソースドメイン適応ベンチマーク上での競合性能を実現することを示した。

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)
• GMM-COMET: Continual Source-Free Universal Domain Adaptation via a Mean Teacher and Gaussian Mixture Model-Based Pseudo-Labeling [3.1744658275045103]
  教師なしのドメイン適応は、トレーニングとテストデータの間のドメインシフトが、現実世界のアプリケーションにおけるニューラルネットワークのパフォーマンスを損なう問題に対処する。 ソースフリーユニバーサルドメイン適応(SF-UniDA)として知られるこの設定は、最近注目を集めている。 連続的なSF-UniDAに関する最初の研究を行い、モデルが複数の異なる未ラベル対象領域のストリームに逐次適応する必要があることを示す。
  論文  参考訳（メタデータ） (2026-01-16T10:23:19Z)
• FedBook: A Unified Federated Graph Foundation Codebook with Intra-domain and Inter-domain Knowledge Modeling [52.05684032172943]
  サーバサイドのフェデレーション事前トレーニング中にクライアントのローカルコードブックを集約する統合グラフ基盤コードブックであるFedBookを提案する。 FedBookは、独立した教師付き学習、FL/FGL、集中型GFMのフェデレーション適応、FedGFM技術など、21のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-09T03:50:30Z)
• Rethinking the Backbone in Class Imbalanced Federated Source Free Domain Adaptation: The Utility of Vision Foundation Models [9.432150710329609]
  Federated Learning(FL)は、各クライアントのデータプライバシを保持しながら、モデルを協調的にトレーニングするためのフレームワークを提供する。 FFREEDAバックボーンを凍結視覚基礎モデル(VFM)に置き換えることを提案する。 VFMは、ドメインギャップ、クラス不均衡、さらにはターゲットクライアント間の非IID性の影響を効果的に緩和する。
  論文  参考訳（メタデータ） (2025-09-10T08:10:57Z)
• Decentralized Federated Dataset Dictionary Learning for Multi-Source Domain Adaptation [5.042313273982193]
  分散マルチソースドメイン適応(DMSDA)は難しい課題です。 私たちの仕事は、完全に分散化されたフェデレーションアプローチによってDMSDAに取り組みます。
  論文  参考訳（メタデータ） (2025-03-22T07:48:48Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Federated Learning with Domain Generalization [11.92860245410696]
  フェデレートラーニング(Federated Learning)は、集中型サーバの助けを借りて、機械学習モデルを共同でトレーニングすることを可能にする。 実際には、複数のソースドメイン上でトレーニングされたモデルは、目に見えないターゲットドメイン上での一般化性能が劣る可能性がある。 我々は,フェデレート学習とドメイン一般化能力の両立を図り,FedADGを提案する。
  論文  参考訳（メタデータ） (2021-11-20T01:02:36Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)
• Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
  ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。 相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。 提案手法は, 比較手法より優れ, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-29T04:31:43Z)

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。