論文の概要: FedOUI: OUI-Guided Client Weighting for Federated Aggregation

• arxiv url: http://arxiv.org/abs/2605.11571v1
• Date: Tue, 12 May 2026 05:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.613714
• Title: FedOUI: OUI-Guided Client Weighting for Federated Aggregation
• Title（参考訳）: FedoUI: フェデレーションアグリゲーションのためのOUI-Guided Client Weighting
• Authors: Alberto Fernández-Hernández, Jose I. Mestre, Cristian Pérez-Corral, Manuel F. Dolz, Jose Duato, Enrique S. Quintana-Ortí,
• Abstract要約: フェデレーション学習は通常、データセットのサイズや勾配レベルの基準を使用して、クライアント更新を集約する。 我々は,OUI(Overfitting-Underfitting Indicator)に基づくシンプルなアグリゲーションルールであるFedOUIを紹介した。
• 参考スコア（独自算出の注目度）: 1.0518862318418603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning usually aggregates client updates using dataset size or gradient-level criteria, while overlooking internal signals about how each client model is organizing its input space during training. We introduce FedOUI, a simple aggregation rule based on the Overfitting-Underfitting Indicator (OUI), an activation-based and label-free metric. Each participating client sends its local update together with a OUI value computed on a fixed probe batch, and the server estimates the round-wise OUI distribution to assign lower weights to structurally atypical clients through a smooth reweighting rule. We evaluate FedOUI on CIFAR-10 under strong non-IID partitioning and noisy-client conditions, comparing it with FedAvg, FedProx, and a gradient-alignment baseline. The clearest gains appear under strong heterogeneity, where OUI-based weighting improves aggregation quality while remaining lightweight and interpretable. These results show that internal activation structure can provide useful information for federated aggregation beyond client size and gradient geometry.
• Abstract（参考訳）: フェデレーション学習は通常、データセットサイズや勾配レベルの基準を使用してクライアント更新を集約するが、トレーニング中に各クライアントモデルがどのように入力スペースを編成しているかに関する内部信号を見渡す。 我々は,OUI(Overfitting-Underfitting Indicator)に基づくシンプルなアグリゲーションルールであるFedOUIを紹介した。 各クライアントは、固定されたプローブバッチ上で計算されたOUI値とともにローカル更新を送信し、サーバは、ラウンドワイドなOUI分布を推定し、スムーズな再重み付けルールにより、構造的に非定型なクライアントに低い重み付けを割り当てる。 我々は,CIFAR-10におけるFedOUIを,FedAvg,FedProx,勾配アライメントベースラインと比較し,強い非IIDパーティショニングとノイズ依存条件下で評価した。 最も明確な利得は、OUIベースの重み付けによって、軽量で解釈可能なままのアグリゲーション品質が向上する、強い不均一性の下で現れる。 これらの結果から, 内部アクティベーション構造は, クライアントサイズや勾配幾何を超越したフェデレーションアグリゲーションに有用な情報を提供することができた。

関連論文リスト

• FedVG: Gradient-Guided Aggregation for Enhanced Federated Learning [7.6428960455933925]
  フェデレートラーニング(FL)は、プライベートデータを共有せずに、複数のクライアント間で協調的なモデルトレーニングを可能にする。 クライアント間のデータの異質性は、モデルの全体的な一般化性能を低下させるクライアントのドリフトにつながる。 我々は,新しい勾配に基づくフェデレーションアグリゲーションフレームワークであるFedVGを提案する。
  論文  参考訳（メタデータ） (2026-02-24T22:05:42Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-31T03:11:51Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Curriculum Guided Personalized Subgraph Federated Learning [8.721619913104899]
  Subgraph Federated Learning (FL)は、分散プライベートサブグラフ間でグラフニューラルネットワーク(GNN)をトレーニングすることを目的としている。 重み付きモデルアグリゲーションは、類似のサブグラフ特性を持つクライアントからパラメータにより大きな重みを割り当てることで、各ローカルGNNをパーソナライズする。 そこで我々は,Curriculum Guided PersonalsUbgraph Federated Learning (CUFL) という新たなサブグラフFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T08:01:36Z)
• 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)
• Leveraging Function Space Aggregation for Federated Learning at Scale [20.866482460590973]
  クライアントが学習した関数に対する局所近似を集約するアルゴリズムであるFedFishを提案する。 我々はFedFishを、現実的で大規模なクロスデバイスベンチマークで評価する。
  論文  参考訳（メタデータ） (2023-11-17T02:37:10Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• FedAvg with Fine Tuning: Local Updates Lead to Representation Learning [54.65133770989836]
  Federated Averaging (FedAvg)アルゴリズムは、クライアントノードでのいくつかのローカルな勾配更新と、サーバでのモデル平均更新の交互化で構成されている。 我々は、FedAvgの出力の一般化の背景には、クライアントのタスク間の共通データ表現を学習する能力があることを示す。 異種データを用いたフェデレーション画像分類におけるFedAvgの表現学習能力を示す実証的証拠も提供する。
  論文  参考訳（メタデータ） (2022-05-27T00:55:24Z)
• FedNS: Improving Federated Learning for collaborative image classification on mobile clients [22.980223900446997]
  Federated Learning(FL)は、グローバルモデルを学ぶために疎結合のクライアントをサポートすることを目的としたパラダイムです。 本稿では、fl設定におけるサーバのグローバルモデル集約のためのフェデレーションノード選択(fedns)と呼ばれる新しい手法を提案する。 我々は、FedNSがFedAvgよりも一貫してパフォーマンスを向上させることができる複数のデータセットとネットワークからの実験で示します。
  論文  参考訳（メタデータ） (2021-01-20T06:45:46Z)

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。