Fugu-MT 論文翻訳(概要): FL-Sailer: Efficient and Privacy-Preserving Federated Learning for Scalable Single-Cell Epigenetic Data Analysis via Adaptive Sampling

論文の概要: FL-Sailer: Efficient and Privacy-Preserving Federated Learning for Scalable Single-Cell Epigenetic Data Analysis via Adaptive Sampling

arxiv url: http://arxiv.org/abs/2605.04519v1
Date: Wed, 06 May 2026 05:56:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.662524
Title: FL-Sailer: Efficient and Privacy-Preserving Federated Learning for Scalable Single-Cell Epigenetic Data Analysis via Adaptive Sampling
Title（参考訳）: FL-Sailer: 適応サンプリングによるスケーラブルなシングルセルエピジェネティックデータ解析のための効率的かつプライバシ保護型フェデレーションラーニング
Abstract要約: FL-Sailerは,skATAC-seqデータ用に設計された最初のFLフレームワークである。 FL-Sailer は有界誤差を持つ元の高次元問題の近似解に収束することを示す。
参考スコア（独自算出の注目度）: 7.418679818267919
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Single-cell ATAC-seq (scATAC-seq) enables high-resolution mapping of chromatin accessibility, yet privacy regulations and data size constraints hinder multi-institutional sharing. Federated learning (FL) offers a privacy-preserving alternative, but faces three fundamental barriers in scATAC-seq analysis: ultra-high dimensionality, extreme sparsity, and severe cross-institutional heterogeneity. We propose FL-Sailer, the first FL framework designed for scATAC-seq data. FL-Sailer integrates two key innovations: (i) adaptive leverage score sampling, which selects biologically interpretable features while reducing dimensionality by 80%, and (ii) an invariant VAE architecture, which disentangles biological signals from technical confounders via mutual information minimization. We provide a convergence guarantee, showing that FL-Sailer converges to an approximate solution of the original high-dimensional problem with bounded error. Extensive experiments on synthetic and real epigenomic datasets demonstrate that FL-Sailer not only enables previously infeasible multi-institutional collaborations but also surpasses centralized methods by leveraging adaptive sampling as an implicit regularizer to suppress technical noise. Our work establishes that federated learning, when tailored to domain-specific challenges, can become a superior paradigm for collaborative epigenomic research.
Abstract（参考訳）: シングルセルATAC-seq(scATAC-seq)は、クロマチンアクセシビリティの高解像度マッピングを可能にするが、プライバシ規制とデータサイズ制限は、多施設間での共有を妨げる。フェデレートラーニング(FL)は、プライバシ保護の代替手段を提供するが、超高次元性、極端な空間性、厳密なクロス機関的異種性という、skATAC-seq分析の3つの基本的な障壁に直面している。 FL-Sailerは,skATAC-seqデータ用に設計された最初のFLフレームワークである。 FL-Sailerは2つの重要なイノベーションを統合している。一適応的レバレッジスコアサンプリングで、次元を80%減らしながら生物学的に解釈可能な特徴を選定し、 (II) 相互情報の最小化により、技術共同設立者から生物学的信号を切り離す不変なVAEアーキテクチャ。 FL-Sailerが有界誤差を持つ元の高次元問題の近似解に収束することを示す収束保証を提供する。合成および実エピゲノミクスデータセットの広範囲にわたる実験により、FL-Sailerは以前は実現不可能な複数施設の協調を可能にするだけでなく、適応サンプリングを暗黙の正則化器として利用して、技術的ノイズを抑制することで集中的な手法を超越していることが示された。私たちの研究は、ドメイン固有の課題に合わせたフェデレーション学習が、協調エピゲノミクス研究の優れたパラダイムとなることを実証しています。

関連論文リスト

FedOPAL: One-Shot Federated Learning via Analytic Visual Prompt Tuning [5.979900839748232]
本稿では,エッジ上の大規模モデルの効率的な協調のためのフレームワークを提案する。 FedOPALは特徴プロンプトとして視覚的プロンプトに適応し、不均一なデータの特徴分布を線形に分離可能な空間に積極的に修正する。実験結果から,FedOPALはいくつかのベンチマークにおいて,従来の解析手法よりも優れているだけでなく,サーバ側のトレーニングコストのゼロを維持しつつ,最先端の反復手法に匹敵する精度を達成できることがわかった。
論文参考訳（メタデータ） (2026-07-09T11:28:31Z)
Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
論文参考訳（メタデータ） (2026-04-01T14:32:15Z)
Privacy-Preserving Quantized Federated Learning with Diverse Precision [26.884460225459627]
フェデレーテッド・ラーニング(FL)は、分散機械学習のための有望なパラダイムとして登場した。その進歩にもかかわらず、FLは次のように制限されている。 (i) 核融合センター(FC)へのローカルモデル更新の保護されていない送信から生じるプライバシーリスク。プライバシ(DP)と最小量子化誤差を同時に達成するために設計された新しい量子化器(SQ)を導入する。
論文参考訳（メタデータ） (2025-07-01T16:26:20Z)
FedSKD: Aggregation-free Model-heterogeneous Federated Learning using Multi-dimensional Similarity Knowledge Distillation [7.944298319589845]
フェデレートラーニング(FL)は、直接データを共有することなく、プライバシー保護のための協調モデルトレーニングを可能にする。 MHFL(Model-heterogeneous FL)は、クライアントが計算資源やアプリケーション固有のニーズに合わせて、不均一なアーキテクチャでパーソナライズされたモデルを訓練することを可能にする。ピアツーピア(P2P)FLはサーバ依存を除去するが、モデルドリフトと知識の希釈に悩まされ、不均一な設定での有効性が制限される。ラウンドロビンモデル循環による直接知識交換を容易にする新しいMHFLフレームワークであるFedSKDを提案する。
論文参考訳（メタデータ） (2025-03-23T05:33:10Z)
TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文参考訳（メタデータ） (2024-02-16T16:41:14Z)
Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。その独特な洞察力のある性質とその分析も提示される。
論文参考訳（メタデータ） (2023-10-30T14:15:47Z)
Feature Matching Data Synthesis for Non-IID Federated Learning [7.740333805796447]
フェデレーション学習(FL)は、中央サーバでデータを収集することなく、エッジデバイス上でニューラルネットワークをトレーニングする。本稿では,局所モデル以外の補助データを共有するハード特徴マッチングデータ合成(HFMDS)手法を提案する。プライバシーの保存性を向上するため,本研究では,実際の特徴を決定境界に向けて伝達する機能拡張手法を提案する。
論文参考訳（メタデータ） (2023-08-09T07:49:39Z)
Differentially Private Wireless Federated Learning Using Orthogonal Sequences [56.52483669820023]
本稿では,FLORAS と呼ばれる AirComp 法を提案する。 FLORASはアイテムレベルとクライアントレベルの差分プライバシー保証の両方を提供する。新たなFL収束バウンダリが導出され、プライバシー保証と組み合わせることで、達成された収束率と差分プライバシーレベルのスムーズなトレードオフが可能になる。
論文参考訳（メタデータ） (2023-06-14T06:35:10Z)
Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文参考訳（メタデータ） (2022-12-02T05:07:50Z)
Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文参考訳（メタデータ） (2021-11-28T19:03:39Z)

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。