論文の概要: Modulated learning for private and distributed regression with just a single sample per client device

• arxiv url: http://arxiv.org/abs/2605.07233v1
• Date: Fri, 08 May 2026 04:36:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.801853
• Title: Modulated learning for private and distributed regression with just a single sample per client device
• Title（参考訳）: クライアントデバイス1台につき1サンプルのみを用いたプライベートおよび分散回帰のための変調学習
• Authors: Praneeth Vepakomma, Amirhossein Reisizadeh, Samuel Horváth, Munther Dahleh,
• Abstract要約: この研究は、多数のデバイスから学習する際の問題に焦点を当て、各デバイスはデータのサンプルを1つだけ保持する。 フィットネストラッカー、データ/アプリ利用アグリゲータ、ボディウーンのセンサーデバイスからの学習など、クライアント1台あたりのサンプルには、いくつかの現実世界のアプリケーションが存在している。
• 参考スコア（独自算出の注目度）: 16.18556728571571
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work focuses on the question of learning from a large number of devices with each device holding only a single sample of data. Several real-world applications exist to this one sample per client setup up including learning from fitness trackers, data/app usage aggregators, body-worn sensing devices, and daily event monitors to name a few. When a client has only one sample, the standard federated learning paradigm breaks down as a local update based on that single point is far from being useful, especially in the earlier rounds for estimation of the model coefficients. This utility is further weakened by the privacy-inducing noise applied at every round. This work caters to this problem to enable such clients to collaboratively contribute to effectively learn a global model without leaking the privacy of their data. The proposed approach injects a single, carefully calibrated noisy perturbation to transform the sample at each client, followed by a post-processed representation which is shared with the server. These representations aggregated at the server are processed to obtain an unbiased gradient update that in expectation matches the non-private centralized gradient while preserving data privacy. This approach is different than traditional private federated learning, where the communication payloads involve model coefficients as opposed to privately transformed data samples. This method enables devices with extremely limited data to collaborate and learn accurate, privacy-preserving models without requiring large local datasets or sacrificing individual privacy.
• Abstract（参考訳）: この研究は、多数のデバイスから学習する際の問題に焦点を当て、各デバイスはデータのサンプルを1つだけ保持する。 例えば、フィットネストラッカー、データ/アプリ使用アグリゲータ、ボディウーンセンサーデバイス、日々のイベントモニタなどだ。 クライアントが1つのサンプルしか持たない場合、標準フェデレーション学習パラダイムは、その単一点に基づく局所的な更新として分解される。 このユーティリティは、各ラウンドで適用されるプライバシーによるノイズにより、さらに弱まります。 この作業はこの問題に対処し、このようなクライアントがデータのプライバシをリークすることなく、協力してグローバルモデルを効果的に学習できるようにします。 提案手法では,各クライアントでサンプルを変換し,次にサーバと共有する後処理の表現を行う。 サーバに集約されたこれらの表現は、データプライバシを保持しながら、非プライベートな集中的な勾配にマッチする、偏りのない勾配更新を得るために処理される。 このアプローチは、プライベートに変換されたデータサンプルとは対照的に、通信ペイロードがモデル係数を含む従来のプライベート・フェデレート・ラーニングとは異なる。 この方法では、極めて限られたデータを持つデバイスが、大規模なローカルデータセットを必要とせず、個々のプライバシを犠牲にすることなく、協力し、正確なプライバシ保護モデルを学ぶことができる。

関連論文リスト

• Decentralized Privacy-Preserving Federal Learning of Computer Vision Models on Edge Devices [0.0]
  機械学習モデルの協調トレーニングには、機密データやプライベートデータを共有するリスクが伴う。 フェデレーション学習は、クライアントデータを共有することなく、単一のグローバルモデルを集合的にトレーニングする方法を提供する。 分類に用いる畳み込みニューラルネットワークの精度に及ぼす勾配圧縮と勾配雑音の負の効果を解析した。
  論文  参考訳（メタデータ） (2026-01-08T13:10:33Z)
• Latte: Collaborative Test-Time Adaptation of Vision-Language Models in Federated Learning [66.35456997311742]
  事前学習された視覚言語モデルによるテスト時間適応は、テスト中の分散シフトに対処するために注目が集まっている。 既存のテスト時間適応法は通常、豊富なデータを持つ単一のドメイン用に設計されている。 本稿では,各クライアントがローカルメモリを保守し,それぞれの履歴テストデータから埋め込みを格納する新しいフレームワークであるLatteを提案する。
  論文  参考訳（メタデータ） (2025-07-29T04:27:29Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• LEFL: Low Entropy Client Sampling in Federated Learning [6.436397118145477]
  Federated Learning(FL)は、複数のクライアントが協力して、プライベートデータを使用して単一のグローバルモデルを最適化する、機械学習パラダイムである。 本稿では,モデルが学習した高レベルの特徴に基づいて,クライアントのクラスタリングを1回行うことで,新たなサンプリング手法LEFLを提案する。 提案手法で選択したサンプルクライアントは,グローバルなデータ分布に対して,相対エントロピーが低いことを示す。
  論文  参考訳（メタデータ） (2023-12-29T01:44:20Z)
• FedSampling: A Better Sampling Strategy for Federated Learning [81.85411484302952]
  フェデレートラーニング(FL)は、プライバシを保存する方法で分散化されたデータからモデルを学習するための重要なテクニックである。 既存のFLメソッドは通常、各ラウンドでローカルモデル学習のために一様にクライアントをサンプリングする。 フェデレート学習のための新しいデータ一様サンプリング戦略(FedSampling)を提案する。
  論文  参考訳（メタデータ） (2023-06-25T13:38:51Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)

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。