論文の概要: Trustworthy Federated Label Distribution Learning under Annotation Quality Disparity

• arxiv url: http://arxiv.org/abs/2605.04827v2
• Date: Sun, 10 May 2026 00:57:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 16:21:29.370781
• Title: Trustworthy Federated Label Distribution Learning under Annotation Quality Disparity
• Title（参考訳）: 注釈品質の相違を考慮した信頼に値するラベル分布学習
• Authors: Junxiang Wu, Zhiqiang Kou, Hongwei Zeng, Wenke Huang, Biao Liu, Hanlin Gu, Yuheng Jia, Di Jiang, Yang Liu, Xin Geng,
• Abstract要約: FedQualは2つのメカニズムを備えた品質を意識したFed-LDLフレームワークである。 我々はアノテーションの品質格差を制御した4つの新しいFed-LDLベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 70.60312607268871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label Distribution Learning (LDL) models supervision as an instance-wise probability distribution, enabling fine-grained learning under inherent ambiguity, but its success relies on high-fidelity label distributions that are costly to obtain and thus often noisy. Motivated by privacy-sensitive applications, we study Federated Label Distribution Learning (Fed-LDL), where data isolation further induces heterogeneous annotation quality across clients, making local updates unevenly reliable and breaking sample-size-based aggregation (e.g., FedAvg). To address this trust dilemma, we propose FedQual, a quality-aware Fed-LDL framework with two coupled mechanisms: (i) quality-adaptive client training guided by a global semantic anchor that calibrates low-quality clients while preserving high-quality autonomy, and (ii) reliability-aware server aggregation that reweights client contributions by effective reliable information rather than raw sample size. To enable rigorous evaluation, we construct four new Fed-LDL benchmarks (FER-LDL, FI-LDL, PIPAL-LDL, and KADID-LDL) with controlled annotation quality disparity. We further provide a theoretical guarantee showing that under heterogeneous supervision quality, client-specific calibration is strictly better than any uniform calibration. Extensive experiments on the proposed benchmarks demonstrate the effectiveness of FedQual.
• Abstract（参考訳）: ラベル分布学習(LDL)は、固有あいまいさの下できめ細かな学習を可能にするインスタンス単位の確率分布として、監督をモデル化するが、その成功は、取得にコストがかかりうるため、しばしばノイズの多い高忠実度ラベル分布に依存している。 プライバシに敏感なアプリケーションによって動機付けられたFederated Label Distribution Learning (Fed-LDL)は、データ分離によってクライアント間の異種アノテーションの品質がさらに向上し、ローカル更新が不均一に信頼性が高くなり、サンプルサイズベースの集約(FedAvgなど)を破る。 この信頼のジレンマに対処するために,2つの結合機構を備えた品質を意識したFed-LDLフレームワークであるFedQualを提案する。 一 高品質の自律性を維持しつつ、品質の低いクライアントを校正するグローバルセマンティックアンカーによる品質適応型クライアントトレーニング 二 クライアントの貢献を生のサンプルサイズではなく、効果的な信頼できる情報によって強調する信頼性に配慮したサーバアグリゲーション。 厳密な評価を可能にするため,Fed-LDLベンチマーク(FER-LDL,FI-LDL,PIPAL-LDL,KADID-LDL)をアノテーション品質の相違を制御した4つの新しいベンチマークを構築した。 さらに、不均一な監視品質の下では、クライアント固有のキャリブレーションは、どの均一なキャリブレーションよりも厳密に優れていることを示す理論的保証を提供する。 提案したベンチマークに関する大規模な実験は、FedQualの有効性を実証している。

関連論文リスト

• Is Conformal Factuality for RAG-based LLMs Robust? Novel Metrics and Systematic Insights [7.594584500009769]
  大規模言語モデル(LLM)は、知識集約型アプリケーションにおける信頼性を制限し、しばしば幻覚を与える。 検索拡張世代(RAG)と共形事実性は、この制限に対処する潜在的方法として浮上している。 我々は,RAGをベースとしたLCMの信頼性と有用性,評価,校正,堅牢性,効率性を解析した。
  論文  参考訳（メタデータ） (2026-03-17T17:20:08Z)
• CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
  本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。 タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。 我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
  論文  参考訳（メタデータ） (2025-11-01T04:37:01Z)
• Certified Self-Consistency: Statistical Guarantees and Test-Time Training for Reliable Reasoning in LLMs [4.829906774017035]
  本稿では,大規模言語モデルにおける認証推論のための統一フレームワークを提案する。 多数決は自己整合性の統計的証明を提供することを示す。 さらに,TTRLのようなラベルなしのポストトレーニング手法が,回答分布を暗黙的に鋭くすることを示す。
  論文  参考訳（メタデータ） (2025-10-20T12:14:12Z)
• Semi-Supervised Federated Learning via Dual Contrastive Learning and Soft Labeling for Intelligent Fault Diagnosis [30.60728200709919]
  本稿では,半教師付きフェデレーション学習フレームワークSSFL-DCSLを提案する。 デュアルコントラストロスとソフトラベリングを統合して、データに対処し、分散クライアントのラベル不足に対処する。 最先端の手法で精度を1.15%から7.85%向上させることができる。
  論文  参考訳（メタデータ） (2025-07-12T10:54:23Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
  本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。 我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
  論文  参考訳（メタデータ） (2023-08-23T09:45:29Z)
• InPL: Pseudo-labeling the Inliers First for Imbalanced Semi-supervised Learning [34.062061310242385]
  不均衡半教師付き学習(SSL)のための疑似ラベルの新しい視点を提案する。 未表示のサンプルが「流通中」か「流通外」かを測定する。 実験により、我々のエネルギーベース擬似ラベル法である textbfInPL が、不均衡なSSLベンチマークにおいて信頼性ベースの手法よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-13T16:45:41Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)

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。