論文の概要: VARS-FL: Validation-Aligned Client Selection for Non-IID Federated Learning in IoT Systems

• arxiv url: http://arxiv.org/abs/2605.05896v1
• Date: Thu, 07 May 2026 09:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.651601
• Title: VARS-FL: Validation-Aligned Client Selection for Non-IID Federated Learning in IoT Systems
• Title（参考訳）: VARS-FL:IoTシステムにおける非IIDフェデレーション学習のためのバリデーション指向クライアント選択
• Authors: Mohamed Lakas, Mohamed Amine Ferrag,
• Abstract要約: VARS-FLはクライアント選択フレームワークであり、更新によって引き起こされるサーバ側のバリデーション損失の低減を利用して、各クライアントのコントリビューションを定量化する。 We evaluate it on a 15-class non-IID IoT Intrusion Detection task using the Edge-Iset dataset。
• 参考スコア（独自算出の注目度）: 0.7305019142196584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) systems typically employ stateless client selection, treating each communication round independently and ignoring accumulated evidence of client contribution quality. Under non-IID data, this leads to slow convergence and unstable training, particularly when selection relies on local proxies (e.g., training loss) that are misaligned with the global optimization objective. These challenges are especially pronounced in Internet of Things (IoT) and Industrial IoT (IIoT) environments, where data is highly heterogeneous and distributed across devices observing different traffic patterns. In this paper, we propose VARS-FL (Validation-Aligned Reputation Scoring for Federated Learning), a client selection framework that quantifies each client's contribution using the reduction in server-side validation loss induced by its update. These per-round signals are aggregated into a Reputation score that combines a sliding-window average of recent contributions with a logarithmically scaled participation term, enabling robust exploration-exploitation selection. VARS-FL requires no changes to local training or aggregation and remains fully compatible with standard FedAvg. We evaluate VARS-FL on a 15-class non-IID IoT intrusion detection task using the Edge-IIoTset dataset, with 100 clients across multiple seeds, and compare it against FedAvg, Oort, and Power-of-Choice. VARS-FL consistently improves accuracy, F1-Macro, and loss, while accelerating convergence (up to 36% fewer rounds to reach 80% accuracy). These results demonstrate that validation-aligned, history-aware client selection provides a more reliable and efficient training process for federated learning in heterogeneous IoT environments.
• Abstract（参考訳）: フェデレートラーニング(FL)システムは通常、ステートレスなクライアント選択を採用し、各コミュニケーションラウンドを独立して扱い、クライアントのコントリビューション品質の蓄積した証拠を無視します。 非IIDデータの下では、特に選択がグローバル最適化目標と不一致な局所的プロキシ(トレーニング損失など)に依存する場合、収束が遅く不安定なトレーニングにつながる。 これらの課題は、特にIoT(Internet of Things)とIoT(Industrial IoT)環境において顕著であり、データは非常に均一で、異なるトラフィックパターンを観察するデバイスに分散している。 本稿では,VARS-FL(Validation-Aligned Reputation Scoring for Federated Learning)を提案する。 これらの信号は、最近のコントリビューションのスライディングウインドウ平均と対数的にスケールされた参加項を組み合わせ、堅牢な探索・探索選択を可能にするレプテーションスコアに集約される。 VARS-FLはローカルトレーニングやアグリゲーションを一切必要とせず、標準のFedAvgと完全に互換性がある。 We evaluate VARS-FL on a 15-class non-IID IoT Intrusion Detection task using the Edge-IIoTset dataset, with 100 clients across multiple seed, and compare it with FedAvg, Oort, and Power-of-Choice。 VARS-FLは精度、F1-マクロ、損失を継続的に改善する一方、収束を加速する(80%の精度に達するためにラウンドを最大36%削減する)。 これらの結果は、不均一なIoT環境でのフェデレーション学習において、バリデーションに整合した履歴対応クライアント選択が、より信頼性が高く効率的なトレーニングプロセスを提供することを示す。

関連論文リスト

• FedLECC: Cluster- and Loss-Guided Client Selection for Federated Learning under Non-IID Data [1.7230409592804714]
  Federated Learning (FL)は、クラウドエッジ環境をまたいだ分散人工知能(AI)を実現する。 本稿では、デバイス間FLのための軽量でクラスタ対応で損失誘導型クライアント選択戦略であるFedLECCを提案する。
  論文  参考訳（メタデータ） (2026-03-09T20:28:17Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Long-Term Client Selection for Federated Learning with Non-IID Data: A Truthful Auction Approach [4.3229053911530775]
  真偽オークション(LCSFLA)に基づく長期クライアント選択フェデレーション学習を提案する。 このスキームは、新たな評価機構とエネルギーコストを用いて、長期データ品質を考慮した社会福祉を最大化する。 IoVシナリオを含む各種データセットの実験結果から,非IIDデータによる性能劣化の軽減効果が示された。
  論文  参考訳（メタデータ） (2025-08-07T12:30:52Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• TRAIL: Trust-Aware Client Scheduling for Semi-Decentralized Federated Learning [13.144501509175985]
  本稿では、クライアントの状態とコントリビューションを評価するTRAILと呼ばれるTRust-Aware clIent scheduLing機構を提案する。 我々は、エッジサーバとクライアントが信頼できないクラスタ内モデルアグリゲーションとクラスタ間モデルコンセンサスを使用して、共有グローバルモデルをトレーニングする半分散FLフレームワークに焦点を当てる。 実世界のデータセットで行われた実験では、TRAILは最先端のベースラインを上回っ、テスト精度が8.7%向上し、トレーニング損失が15.3%減少した。
  論文  参考訳（メタデータ） (2024-12-16T05:02:50Z)
• SemiSFL: Split Federated Learning on Unlabeled and Non-IID Data [34.49090830845118]
  フェデレートラーニング(FL)は、複数のクライアントがネットワークエッジでプライベートデータ上で機械学習モデルを協調的にトレーニングできるようにするためのものだ。 クラスタリング正規化を取り入れて,ラベルなしおよび非IIDクライアントデータでSFLを実行する,Semi-supervised SFLシステムを提案する。 本システムは,訓練時間の3.8倍の高速化を実現し,目標精度を達成しつつ通信コストを約70.3%削減し,非IIDシナリオで最大5.8%の精度向上を実現する。
  論文  参考訳（メタデータ） (2023-07-29T02:35:37Z)
• FL Games: A Federated Learning Framework for Distribution Shifts [71.98708418753786]
  フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。 本稿では,クライアント間で不変な因果的特徴を学習するフェデレーション学習のためのゲーム理論フレームワークFL GAMESを提案する。
  論文  参考訳（メタデータ） (2022-10-31T22:59:03Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
  フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。 本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
  論文  参考訳（メタデータ） (2021-04-27T18:23:54Z)

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。