論文の概要: UMEDA: Unified Multi-modal Efficient Data Fusion for Privacy-Preserving Graph Federated Learning via Spectral-Gated Attention and Diffusion-Based Operator Alignment

• arxiv url: http://arxiv.org/abs/2605.08288v1
• Date: Fri, 08 May 2026 08:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.5335
• Title: UMEDA: Unified Multi-modal Efficient Data Fusion for Privacy-Preserving Graph Federated Learning via Spectral-Gated Attention and Diffusion-Based Operator Alignment
• Title（参考訳）: UMEDA: スペクトルゲーテッドアテンションと拡散に基づく演算子アライメントによるプライバシ保護グラフフェデレーション学習のための統合マルチモーダルデータフュージョン
• Authors: Shih-Yu Lai, Hirozumi Yamaguchi, Shang-Tse Chen, Yu-Lun Liu, Bing-Yu Chen,
• Abstract要約: デバイスフリーのローカライゼーションは、エッジデバイスに分散した異種無線および視覚センサーからモデルを訓練する。 クライアントが連続的な積分演算子を共有するグローバルグラフのノードを形成するグラフフェデレーション学習フレームワークであるUMEDAを提案する。 UMEDAは、最先端のフェデレーションベースラインを精度、収束性、通信効率で上回る。
• 参考スコア（独自算出の注目度）: 20.399005485708273
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Device-free localization trains models from heterogeneous wireless and visual sensors (e.g., Wi-Fi, LiDAR) distributed across edge devices. Federated learning offers a privacy-respecting framework, but is brittle when clients differ in sensor modality and resolution, when their data distributions drift, and when privacy noise destroys the structural signal needed for localization. We propose UMEDA, a graph federated learning framework in which clients form nodes of a global graph that share a continuous integral operator, and aggregation is reformulated as spectral signal processing on this operator. Each client encodes its local sensors with a linear-attention layer whose kernel spectrum is low-rank filtered, suppressing modality-specific residuals so clients with different sensors align in a common low-rank subspace. The server then aggregates client updates via a diffusion model over the kernel's spectral coefficients, treating updates as discretizations of a shared operator rather than topology-bound weights -- this absorbs varying graph sizes and missing modalities without node-wise correspondence. To balance privacy and utility, we add an anisotropic differential-privacy mechanism that projects noise preferentially into the null space of the signal subspace, preserving dominant eigendirections while ensuring formal $(ε, δ)$-DP under gradient clipping. On MM-Fi and the RELI11D out-of-distribution benchmark, UMEDA outperforms state-of-the-art federated baselines in accuracy, convergence, and communication efficiency, particularly under high modality heterogeneity and tight privacy budgets.
• Abstract（参考訳）: デバイスフリーなローカライゼーションは、エッジデバイスに分散した異種無線および視覚センサー(例えば、Wi-Fi、LiDAR)からモデルを訓練する。 フェデレーション学習は、プライバシを無視するフレームワークを提供するが、クライアントがセンサーのモダリティと解像度が異なる場合、データ分散がドリフトする場合、プライバシノイズがローカライズに必要な構造信号を破壊する場合、脆弱である。 連続的な積分演算子を共有するグローバルグラフのノードをクライアントが形成するグラフフェデレーション学習フレームワークであるUMEDAを提案し、この演算子上でのスペクトル信号処理として集約を再構成する。 各クライアントは、カーネルスペクトルが低ランクフィルタリングされたリニアアテンション層でローカルセンサーを符号化し、モダリティ特異的残差を抑え、異なるセンサーを持つクライアントは共通の低ランクサブスペースに整列する。 サーバは、カーネルのスペクトル係数上の拡散モデルを介してクライアントの更新を集約し、更新をトポロジバウンドの重みではなく共有演算子の離散化として扱う。 プライバシとユーティリティのバランスをとるために、信号部分空間のヌル空間にノイズを優先的に投影する異方性差分プライバシ機構を追加し、勾配クリッピングの下でのフォーマルな$(ε, δ)$-DPを確保しながら、支配的な固有方向を保存する。 MM-Fi と RELI11D のアウト・オブ・ディストリビューション・ベンチマークでは、UMEDA は、特に高モダリティの不均一性と厳密なプライバシー予算の下で、最先端のフェデレーションベースラインの精度、収束性、通信効率を上回ります。

関連論文リスト

• Distributed Deep Variational Approach for Privacy-preserving Data Release [12.868309078964591]
  フェデレーション学習により、分散ノードは生データを交換することなく、共有モデルをトレーニングできる。 プライバシーに敏感な医療センサ、IoTデバイスでは、データをローカルに保つことで提供される保護が不完全である。 生データを低次元の表現にマッピングする衛生化エンコーダを学習する,連続的な高次元入力のためのEmphGaussian Privacy Protectorフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T18:41:37Z)
• 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)
• Joint Sensing, Communication, and Computation for Vertical Federated Edge Learning in Edge Perception Network [75.78245138352698]
  本稿では,統合されたセンサ,通信,および計算可能なエッジ認識ネットワークについて考察する。 複数のエッジデバイスは、無線信号を利用してローカルモデルを更新する環境情報を検知し、エッジサーバは、グローバルモデルトレーニングのためのオーバー・ザ・エア計算によるフィーチャの埋め込みを集約する。 まず、無線センシングノイズの存在下での損失関数の劣化とAirComp中の凝集歪みからISCC対応VFEELの収束挙動を解析する。
  論文  参考訳（メタデータ） (2025-12-03T02:20:58Z)
• Clustered Federated Learning for Generalizable FDIA Detection in Smart Grids with Heterogeneous Data [9.222461989780735]
  False Data Injection Attacks (FDIA)は、スマートグリッドに深刻なセキュリティリスクをもたらす。 従来の集中型トレーニングアプローチは、プライバシのリスクやデータ共有の制約に直面するだけでなく、高い送信コストを発生させる。 本稿では,FedClusAvg(Federated Cluster Average)を提案する。
  論文  参考訳（メタデータ） (2025-07-20T15:10:43Z)
• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)
• 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)
• Graph Federated Learning for CIoT Devices in Smart Home Applications [23.216140264163535]
  G-Fedfilt'と呼ばれるグラフフィルタリングに基づく新しいグラフ信号処理(GSP)に基づく集約ルールを提案する。 提案するアグリゲータは,グラフのトポロジに基づく情報の流れを構造化することができる。 モデルの一般化をテストする場合、FedAvgよりも2.41%$高い精度が得られる。
  論文  参考訳（メタデータ） (2022-12-29T17:57:19Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Wireless Federated Learning with Limited Communication and Differential Privacy [21.328507360172203]
  本稿では,空力計算(AirComp)に基づくフェデレーション学習(FL)モデルにおいて,リモートユーザにおけるローカルデータセットの効率的な通信と差分プライバシー(DP)における次元性低減の役割について検討する。
  論文  参考訳（メタデータ） (2021-06-01T15:23:12Z)

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。