論文の概要: Learned Neighbor Trust for Collaborative Deployment in Model-Agnostic Decentralized Learning

• arxiv url: http://arxiv.org/abs/2605.05009v1
• Date: Wed, 06 May 2026 15:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.894162
• Title: Learned Neighbor Trust for Collaborative Deployment in Model-Agnostic Decentralized Learning
• Title（参考訳）: モデル非依存型分散学習における協調的展開のための学習的近隣信頼
• Authors: Michael Lanier, Luise Ge, Sastry Kompella, Yevgeniy Vorobeychik,
• Abstract要約: ノードは、その予測がデプロイメント時に適切に構成するように、どのようにトレーニングされるべきかを調査する。 サーバフリーでモデルに依存しないプロトコルとして,Learned Neighbor Trust (LNTrust)を提案する。 LNTrustはトレーニング中の補助蒸留をゲートし、推論時に展開アンサンブルを定義する。
• 参考スコア（独自算出の注目度）: 23.55615797572047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many decentralized distillation methods are designed around training-time coordination, yet deploy each node in isolation even when more capable neighbors remain available at inference time. This is an incomplete objective for settings such as IoT, where devices are heterogeneous, data is scarce and skewed, and a node's strongest neighbors may far exceed its own local capacity. We study how nodes should train so that their predictions compose well at deployment, and how each node should learn whom to trust. Under a server-free, model-agnostic protocol where nodes exchange only queries and soft predictions, we propose Learned Neighbor Trust (LNTrust) wherein each node learns a compact trust function over its neighborhood from local validation evidence. This trust function gates auxiliary distillation during training and defines a deployment ensemble at inference, so that collaboration learned during training transfers directly to deployment. Across datasets and topologies, LNTrust improves deployed accuracy over the strongest output-only baseline by large margins while using significantly less communication than previous methods.
• Abstract（参考訳）: 多くの分散型蒸留法は、訓練時調整を中心に設計されているが、より有能な隣人が推論時に利用可能である場合でも、各ノードを分離して展開する。 これは、デバイスが不均一であり、データが不足し、スキューされ、ノードの最も強い隣人が自身のローカル容量をはるかに超える、IoTのような設定の不完全な目標である。 ノードがデプロイメント時に適切に構成するように、ノードをどのようにトレーニングするか、各ノードが誰が信頼できるかを学習するか、などについて検討する。 ノードがクエリとソフトな予測のみを交換するサーバフリーのモデルに依存しないプロトコルにおいて,各ノードが局所的検証からその近傍でコンパクトな信頼関数を学習するLearned Neighbor Trust (LNTrust)を提案する。 この信頼関数は、トレーニング中の補助蒸留をゲートし、推論時にデプロイメントアンサンブルを定義する。 データセットとトポロジ全体にわたって、LNTrustは、最強の出力のみのベースラインに対して、以前の方法よりもはるかに少ない通信を使用しながら、大きなマージンでデプロイ精度を向上する。

関連論文リスト

• Privacy Preserving Semi-Decentralized Mean Estimation over Intermittently-Connected Networks [59.43433767253956]
  信頼できない無線ネットワークの異なるノードに分散するベクトルの平均をプライベートに推定する問題を考える。 半分散的なセットアップでは、ノードは隣人と協力してローカルコンセンサスを計算し、中央サーバにリレーする。 ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
  論文  参考訳（メタデータ） (2024-06-06T06:12:15Z)
• Generalizing Differentially Private Decentralized Deep Learning with Multi-Agent Consensus [11.414398732656839]
  本稿では,分散ディープラーニングに差分プライバシーを組み込んだフレームワークを提案する。 本稿では,このフレームワークから派生したアルゴリズムの収束保証を証明し,その実用性を示す。
  論文  参考訳（メタデータ） (2023-06-24T07:46:00Z)
• TrustGuard: GNN-based Robust and Explainable Trust Evaluation with Dynamicity Support [59.41529066449414]
  本稿では,信頼度を考慮した信頼度評価モデルであるTrustGuardを提案する。 TrustGuardは、スナップショット入力層、空間集約層、時間集約層、予測層を含む階層アーキテクチャで設計されている。 実験により、TrustGuardは、シングルタイムスロットとマルチタイムスロットの信頼予測に関して、最先端のGNNベースの信頼評価モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-23T07:39:12Z)
• Preserving Privacy in Federated Learning with Ensemble Cross-Domain Knowledge Distillation [22.151404603413752]
  Federated Learning(FL)は、ローカルノードが中央モデルを協調的にトレーニングする機械学習パラダイムである。 既存のFLメソッドはモデルパラメータを共有したり、不均衡なデータ分散の問題に対処するために共蒸留を用いるのが一般的である。 我々は,一発のオフライン知識蒸留を用いたFLフレームワークにおいて,プライバシ保護と通信効率のよい手法を開発した。
  論文  参考訳（メタデータ） (2022-09-10T05:20:31Z)
• TrustGNN: Graph Neural Network based Trust Evaluation via Learnable Propagative and Composable Nature [63.78619502896071]
  信頼評価は、サイバーセキュリティ、ソーシャルコミュニケーション、レコメンダシステムなど、多くのアプリケーションにとって重要である。 本稿では,信頼グラフの伝播性および構成性を考慮した新しい信頼評価手法TrustGNNを提案する。 具体的には、TrustGNNは、異なる伝播過程のための特定の伝播パターンを設計し、新しい信頼を生み出すための異なる伝播過程の貢献を区別する。
  論文  参考訳（メタデータ） (2022-05-25T13:57:03Z)

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。