論文の概要: FedGMI: Generative Model-Driven Federated Learning for Probabilistic Mixture Inference

• arxiv url: http://arxiv.org/abs/2605.08760v1
• Date: Sat, 09 May 2026 07:45:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.868591
• Title: FedGMI: Generative Model-Driven Federated Learning for Probabilistic Mixture Inference
• Title（参考訳）: FedGMI:確率的混合推論のための生成モデル駆動型フェデレーションラーニング
• Abstract要約: フェデレートラーニング(FL)は、データ交換を避けてデータのプライバシを保護しながら、分散クライアント間の協調的なモデルトレーニングを容易にする。 その可能性にもかかわらず、FLパフォーマンスはクライアント間のデータ不均一性によってしばしば損なわれる。 我々は,これらの固有分布を表現し,クライアントのローカルデータ分布の混合成分を推定するために,変分オートエンコーダ(VAE)を生成密度推定器として利用するフレームワークであるFedGMIを提案する。
• 参考スコア（独自算出の注目度）: 28.071372082273403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) facilitates collaborative model training across decentralized clients while preserving data privacy by avoiding raw data exchange. Despite its potential, FL performance is often compromised by data heterogeneity across clients. To address this, Clustered Federated Learning (CFL) groups clients with similar data distributions to improve model performance, but constrained by intra-cluster heterogeneity. Conversely, Personalized Federated Learning (PFL) tailors models to individual clients, but usually neglects the underlying structural similarities among clients. In this work, we investigate a probabilistic mixture (PM) scenario, where each client's local data distribution is modeled as a convex combination of several shared inherent distributions. To effectively model this structure, we propose FedGMI, a framework that utilizes Variational Autoencoders (VAEs) as generative density estimators to represent these inherent distributions and infer the mixture components of clients' local data distributions. This approach enables structured personalization without sacrificing the benefits of collaborative learning. Extensive experiments demonstrate that FedGMI effectively characterizes and discriminate the inherent distributions, as well as accurately estimates mixture proportions. Furthermore, FedGMI maintains robust performance even under communication cost constraints.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データ交換を避けてデータのプライバシを保護しながら、分散クライアント間の協調的なモデルトレーニングを容易にする。 その可能性にもかかわらず、FLパフォーマンスはクライアント間のデータ不均一性によってしばしば損なわれる。 これを解決するために、Clustered Federated Learning (CFL)は、類似したデータ分散を持つクライアントをグループ化し、モデルパフォーマンスを改善するが、クラスタ内の不均一性によって制約される。 逆に、パーソナライズド・フェデレーション・ラーニング(PFL)は、モデルを個々のクライアントにカスタマイズするが、通常、クライアント間の基盤となる構造的類似性を無視する。 本研究では,各クライアントのローカルデータ分布を複数の共有固有分布の凸結合としてモデル化する確率的混合(PM)シナリオについて検討する。 この構造を効果的にモデル化するためにFedGMIを提案する。このフレームワークは、変動オートエンコーダ(VAE)を生成密度推定器として利用し、これらの固有分布を表現し、クライアントのローカルデータ分布の混合成分を推定する。 このアプローチは、協調学習の利点を犠牲にすることなく、構造化されたパーソナライズを可能にする。 広範囲な実験により、FedGMIは固有の分布を効果的に特徴づけ、識別し、混合比率を正確に推定することを示した。 さらに、FedGMIは通信コストの制約下でも堅牢な性能を維持している。

関連論文リスト

• Similarity-Aware Personalized Federated Learning in Heterogeneous Environments [10.354095147014043]
  フェデレートラーニング(Federated Learning)は、分散クライアントがデータのプライバシを保持しながら、協力的にモデルをトレーニングすることを可能にする。 クライアント間の分散ミスマッチは、多くの場合、グローバルな一般化が貧弱で、ローカルクライアントレベルのパフォーマンスが低下する。 SPE-FL(Similarity-Aware Personalized Federated Learning)は、各クライアントのモデルをグローバルモデルと類似度重み付きピア平均モデルの両方に固定する新しいパーソナライズフレームワークである。
  論文  参考訳（メタデータ） (2026-09-02T07:48:04Z)
• Federated Learning with Profile Mapping under Distribution Shifts and Drifts [13.33580160559305]
  フェデレートラーニング(FL)は、生データを共有せずに、クライアント間で分散モデルトレーニングを可能にする。 既存の方法は、クライアント間の分散シフトと時間とともに分散のドリフトに対処できないことが多い。 クライアントやクラスタのアイデンティティに頼ることなく、分散シフトとドリフトの両方を明示的に処理する新しいFLフレームワークであるFeromaを紹介します。
  論文  参考訳（メタデータ） (2026-02-07T19:31:50Z)
• Federated Gaussian Mixture Models [0.0]
  FedGenGMMは、教師なし学習シナリオのための新しいワンショットのフェデレーション学習アプローチである。 クライアントデバイス上で独立してトレーニングされたローカルGMMモデルは、単一の通信ラウンドを通じて集約される。 非フェデレーションおよび反復フェデレーションメソッドに匹敵するパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2025-06-02T15:23:53Z)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
  クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。 本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• FedClust: Tackling Data Heterogeneity in Federated Learning through Weight-Driven Client Clustering [26.478852701376294]
  フェデレートラーニング(Federated Learning, FL)は、分散機械学習のパラダイムである。 FLの主な課題の1つは、クライアントデバイスにまたがる不均一なデータ分散の存在である。 我々は,局所モデル重みとクライアントのデータ分布の相関を利用したCFLの新しい手法であるFedClustを提案する。
  論文  参考訳（メタデータ） (2024-07-09T02:47:16Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• PFL-GAN: When Client Heterogeneity Meets Generative Models in Personalized Federated Learning [55.930403371398114]
  パーソナライズドラーニング(PFL)のための新しいGAN(Generative Adversarial Network)の共有と集約戦略を提案する。 PFL-GANは、異なるシナリオにおけるクライアントの不均一性に対処する。より具体的には、まずクライアント間の類似性を学び、次に重み付けされた協調データアグリゲーションを開発する。 いくつかのよく知られたデータセットに対する厳密な実験による実験結果は、PFL-GANの有効性を示している。
  論文  参考訳（メタデータ） (2023-08-23T22:38:35Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• 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)
• FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
  フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。 我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。 そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-20T04:55:18Z)

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。