Fugu-MT 論文翻訳(概要): Fed-BAC: Federated Bandit-Guided Additive Clustering in Hierarchical Federated Learning

論文の概要: Fed-BAC: Federated Bandit-Guided Additive Clustering in Hierarchical Federated Learning

arxiv url: http://arxiv.org/abs/2605.11815v1
Date: Tue, 12 May 2026 09:07:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-13 21:48:56.742027
Title: Fed-BAC: Federated Bandit-Guided Additive Clustering in Hierarchical Federated Learning
Title（参考訳）: Fed-BAC: 階層的フェデレーション学習におけるバンドガイド型付加的クラスタリング
Authors: Satwat Bashir, Tasos Dagiuklas, Muddesar Iqbal,
Abstract要約: 本稿では,加法クラスタのパーソナライズと2レベルバンディットフレームワークを統合したFed-BACを提案する。 Fed-BAC は HierFAVG よりは +35.5pp 、IFCA よりは +8.4pp の分散精度を達成している。
参考スコア（独自算出の注目度）: 4.998584084394827
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Hierarchical federated learning (HFL) leverages edge servers for partial aggregation in edge computing. Yet existing FL methods lack mechanisms for jointly optimizing cluster assignment and client selection under data heterogeneity. This paper proposes Fed-BAC, which integrates additive cluster personalization with a two-level bandit framework: contextual bandits at the cloud learn server-to-cluster assignments, while Thompson Sampling at each edge server identifies high-contributing clients. The additive decomposition enables the sharing of knowledge between groups through a globally aggregated network, while cluster-specific networks capture distribution variations. Across three classification benchmarks (CIFAR-10, SVHN, Fashion-MNIST) under moderate ($α= 0.5$) and severe ($α= 0.1$) Dirichlet non-IID partitioning, Fed-BAC achieves distributed accuracy gains of up to +35.5pp over HierFAVG and +8.4pp over IFCA, while requiring only 80% client participation, converging 1.5 to 4.8$\times$ faster depending on dataset and accuracy target, and improving cross-server fairness. These gains are further validated at 5$\times$ deployment scale on CIFAR-10. The advantage of Fed-BAC increases with heterogeneity severity, confirming that additive cluster personalization becomes increasingly valuable as data distributions diverge.
Abstract（参考訳）: 階層型フェデレーション学習(HFL)は、エッジコンピューティングにおける部分集約にエッジサーバを活用する。しかし、既存のFLメソッドは、データの異種性の下でクラスタ割り当てとクライアント選択を協調的に最適化するメカニズムを欠いている。本稿では,Fed-BACを提案する。Fed-BACは追加クラスタのパーソナライゼーションを,クラウド上でのコンテキストブライトがサーバからクラスタへの割り当てを学習し,Thompson Smplingは各エッジサーバでハイコントリビュートクライアントを識別する。加法分解により、グローバルに集約されたネットワークを通じてグループ間での知識の共有が可能になり、クラスタ固有のネットワークは分散のバリエーションをキャプチャする。 3つの分類ベンチマーク(CIFAR-10、SVHN、Fashion-MNIST)において、中程度の(α=0.5$)と重度の(α=0.1$)ディリクレ非IIDパーティショニングでは、Fed-BACはハイアFAVG以上で+35.5pp、IFCA以上で+8.4pp、クライアント参加はわずか80%で、データセットと精度ターゲットに応じて1.5～4.8$\times$を収束させ、クロスサーバフェアネスを向上させる。これらの利得は、CIFAR-10上で5$\times$デプロイメントスケールでさらに検証される。 Fed-BACの利点はヘテロジニティの重大さによって増大し、データ分布が多様化するにつれて、付加的なクラスタのパーソナライゼーションがますます価値を増すことを確認する。

関連論文リスト

Federated Hierarchical Clustering with Automatic Selection of Optimal Cluster Numbers [13.396894845465468]
Federated Clustering(FC)は、分散およびプライバシ保護されたデータから、教師なしの方法でデータ分散パターンを探索する、新しくて有望なソリューションである。我々はFed-$k*$-HCという新しいFCフレームワークを提案し、階層的クラスタリングによって探索されたデータ分布に基づいて最適なクラスタ数$k*$を自動的に決定できる。
論文参考訳（メタデータ） (2026-03-13T05:58:35Z)
FedDAG: Clustered Federated Learning via Global Data and Gradient Integration for Heterogeneous Environments [11.797290397638962]
フェデレートラーニング(FL)により、クライアントのグループは、個々のデータを共有せずに、協調的にモデルをトレーニングできるが、クライアントデータが不均一である場合には、そのパフォーマンスは低下する。本稿では,データと情報を統合した重み付きクラスワイド類似度指標を用いたクラスタリングFLフレームワークであるFedDAGを紹介する。多様なベンチマークとデータ設定の実験により、FedDAGは最先端のクラスタ化されたFLベースラインの精度を一貫して上回っている。
論文参考訳（メタデータ） (2026-02-26T21:20:19Z)
FedEMA-Distill: Exponential Moving Average Guided Knowledge Distillation for Robust Federated Learning [1.1393603788068776]
フェデレーテッド・ラーニング(FL)は、クライアントが不均一な非独立性(non-Independent)およびIdentically Distributed(non-IID)データを保持すると、しばしば劣化する。本稿では,グローバルモデルの指数移動平均(EMA)とクライアント負荷予測ロジットからのアンサンブル知識蒸留を組み合わせたサーバサイドプロシージャであるFedEMA-Distillを提案する。
論文参考訳（メタデータ） (2026-02-15T01:40:45Z)
One-Shot Hierarchical Federated Clustering [51.490181220883905]
本稿では,効率的な階層型クラスタリングフレームワークを提案する。クライアント-エンドの分散探索とサーバ-エンドの分散アグリゲーションを実行する。クライアント間の複雑なクラスタ分布を効率的に探索できることが判明した。
論文参考訳（メタデータ） (2026-01-10T02:58:33Z)
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)
Timely Asynchronous Hierarchical Federated Learning: Age of Convergence [59.96266198512243]
クライアント-エッジ-クラウドフレームワークを用いた非同期階層型フェデレーション学習環境について検討する。クライアントはトレーニングされたパラメータをエッジサーバと交換し、ローカルに集約されたモデルを更新する。各クライアントの目標は、クライアントのタイムラインを維持しながら、グローバルモデルに収束することだ。
論文参考訳（メタデータ） (2023-06-21T17:39:16Z)
Efficient Distribution Similarity Identification in Clustered Federated Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
論文参考訳（メタデータ） (2022-09-21T17:37:54Z)
Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
論文参考訳（メタデータ） (2022-01-31T03:15:28Z)
FedGroup: Efficient Clustered Federated Learning via Decomposed Data-Driven Measure [18.083188787905083]
本稿では,新しいクラスタ型フェデレーション学習(CFL)フレームワークであるFedGroupを提案する。 FEMNISTではFedAvgに比べて絶対テスト精度が+14.1%向上することが示された。また、いくつかのオープンデータセット上でFedGroupとFedGrouProx(FedProxと組み合わせた)を評価します。
論文参考訳（メタデータ） (2020-10-14T08:15:34Z)
LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文参考訳（メタデータ） (2020-06-17T17:58:10Z)

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。