論文の概要: Federated Client Selection under Partial Visibility: A POMDP Approach with Spatio-Temporal Attention

• arxiv url: http://arxiv.org/abs/2605.11752v1
• Date: Tue, 12 May 2026 08:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.711546
• Title: Federated Client Selection under Partial Visibility: A POMDP Approach with Spatio-Temporal Attention
• Title（参考訳）: 部分的可視性に基づくフェデレーションクライアント選択:時空間的注意を伴うPOMDPアプローチ
• Authors: Qijun Hou, Yuchen Shi, Pingyi Fan, Khaled B. Letaief,
• Abstract要約: フェデレーション学習は、データの不均一性に起因するパフォーマンス劣化を軽減するために、効果的なクライアント選択に依存する。 大規模またはエッジベースのデプロイメントでは、通信、モビリティ、可用性の制約のため、サーバはクライアントのサブセットにしかアクセスできない。 我々は,部分可視性のあるマルコフ決定プロセス (POMDP) としてフェデレートされたクライアント選択を定式化し,空間的注意に基づく強化学習フレームワークを提案する。
• 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 relies on effective client selection to alleviate the performance degradation caused by data heterogeneity. Most existing methods assume full visibility of all clients at each communication round. However, in large-scale or edge-based deployments, the server can only access a subset of clients due to communication, mobility, or availability constraints, resulting in partial visibility where only a subset of clients is observable for aggregation in each communication round. In this paper, we formulate federated client selection under partial visibility as a Partially Observable Markov Decision Process (POMDP) and propose a Spatial-Temporal attention-based reinforcement learning framework. By integrating historical global models and client identity embeddings, the proposed method captures both the temporal contexts of training and the persistent characteristics of clients. Experimental results across multiple datasets demonstrate that our approach achieves superior performance compared to existing baselines in heterogeneous and partially visible settings, validating its effectiveness in addressing the challenges of incomplete observations in practical federated learning systems.
• Abstract（参考訳）: フェデレーション学習は、データの不均一性に起因するパフォーマンス劣化を軽減するために、効果的なクライアント選択に依存する。 既存の手法の多くは、各通信ラウンドにおけるすべてのクライアントの完全な可視性を前提としています。 しかし、大規模またはエッジベースのデプロイメントでは、サーバは通信、モビリティ、あるいは可用性の制約により、クライアントのサブセットにしかアクセスできないため、各通信ラウンドでのアグリゲーションのために、クライアントのサブセットのみが観察可能な部分的な可視性が得られる。 本稿では,部分可視性のあるマルコフ決定プロセス(POMDP)としてフェデレートされたクライアント選択を定式化し,空間的注意に基づく強化学習フレームワークを提案する。 過去のグローバルモデルとクライアントアイデンティティの埋め込みを統合することにより、学習の時間的文脈とクライアントの永続的特性の両方をキャプチャする。 複数のデータセットにまたがる実験結果から,本手法は異種および部分可視環境における既存のベースラインと比較して優れた性能を達成し,実践的フェデレーション学習システムにおける不完全観測の課題に対処する上での有効性を検証した。

関連論文リスト

• Enhancing Federated Quadruplet Learning: Stochastic Client Selection and Embedding Stability Analysis [2.298932494750101]
  フェデレートラーニング(FL)は、データ集中化を必要とせずに、分散クライアント間の分散モデルトレーニングを可能にする。 我々は,クラス間分割をクライアント間で実現しつつ,クラス内表現の最小化を明示的に実施する新しい方法であるFedQuadを提案する。
  論文  参考訳（メタデータ） (2026-05-08T15:34:41Z)
• 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)
• Learning Reconfigurable Representations for Multimodal Federated Learning with Missing Data [24.083180898232417]
  学習可能なクライアント側埋め込み制御に基づく局所適応表現を特徴とする新しいフェデレート学習フレームワークを提案する。 これらの埋め込みは、グローバルに集約された表現と各クライアントのローカルコンテキストを一致させる再構成信号として機能する。 提案手法は, 厳密なデータ不完全性の下で最大36.45%の性能向上を実現する。
  論文  参考訳（メタデータ） (2025-10-27T00:09:58Z)
• Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning [50.060154488277036]
  連合学習では、クライアントの選択はモデルの性能と公平性の両方に大きな影響を及ぼす重要な問題である。 2つの指標間の固有の対立に対処し、互いに強化する2つの原則を提案する。 提案手法は,データ分布に基づいてクライアントを選択することにより,この多様性を適応的に向上させ,モデル性能と公平性の両方を改善する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• Personalized Federated Learning via Amortized Bayesian Meta-Learning [21.126405589760367]
  我々は,Amortized Bayesian Meta-Learningを通じて,パーソナライズド・フェデレーション・ラーニングの新しい視点を紹介する。 具体的には,クライアント間の階層的変動推論を用いたemphFedABMLという新しいアルゴリズムを提案する。 我々の理論解析は平均一般化誤差の上限を提供し、未知のデータに対する一般化性能を保証する。
  論文  参考訳（メタデータ） (2023-07-05T11:58:58Z)
• Straggler-Resilient Personalized Federated Learning [55.54344312542944]
  フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。 これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。 提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
  論文  参考訳（メタデータ） (2022-06-05T01:14:46Z)
• Addressing Client Drift in Federated Continual Learning with Adaptive Optimization [10.303676184878896]
  本稿では,NetTailorを連続学習候補として活用することにより,FCL(Federated Continual Learning)を実現するための枠組みを概説する。 適応型フェデレーション最適化は,クライアントドリフトの悪影響を低減し,CIFAR100,MiniImagenet,Deathlonベンチマーク上での有効性を示す。
  論文  参考訳（メタデータ） (2022-03-24T20:00:03Z)
• On the Convergence of Clustered Federated Learning [57.934295064030636]
  統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。 本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-13T02:39:19Z)
• Distributed Unsupervised Visual Representation Learning with Fused Features [13.935997509072669]
  フェデレートラーニング(FL)により、分散クライアントは、各クライアントにトレーニングデータをローカルに保持しながら、予測のための共有モデルを学ぶことができる。 本稿では,特徴融合と近傍マッチングという2つのアプローチからなる相互比較学習フレームワークを提案する。 IIDデータでは、他の手法よりも11%優れており、集中学習のパフォーマンスに匹敵する。
  論文  参考訳（メタデータ） (2021-11-21T08:36:31Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)

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。