Fugu-MT 論文翻訳(概要): Federated Imputation under Heterogeneous Feature Spaces

論文の概要: Federated Imputation under Heterogeneous Feature Spaces

arxiv url: http://arxiv.org/abs/2605.16099v1
Date: Fri, 15 May 2026 15:53:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-18 21:22:26.351677
Title: Federated Imputation under Heterogeneous Feature Spaces
Title（参考訳）: 不均一な特徴空間下でのフェデレーション
Authors: Imane Hocine, Chaimaa Medjadji, Sylvain Kubler, Gregoire Danoy, Yves Le Traon,
Abstract要約: フェデレートラーニング(FL)は、分散クライアント間の協調トレーニングを可能にする。我々は,従来の欠落から構造的特徴不利用を分離する連邦計算フレームワークである textbfFedHF-Impute を提案する。 SECOMデータセットとAirQualityデータセットのシミュレートされた部分スキーマの下で、FedHF-ImputeはFLベースラインを26.9%上回る計算精度(RMSE)を8.4%向上させる。
参考スコア（独自算出の注目度）: 7.7979633437360905
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated Learning (FL) enables collaborative training across decentralized clients, but most methods assume aligned feature schemas, an assumption that rarely holds in tabular settings where clients observe only partially overlapping feature subsets. In these heterogeneous feature spaces, parameter-averaging methods (e.g., FedAvg) transfer little information across weakly overlapping or disjoint feature groups, limiting their effectiveness for federated imputation. To overcome this, we propose \textbf{FedHF-Impute}, a federated imputation framework that separates structural feature unavailability from conventional missingness and uses a shared global feature graph to propagate information across statistically related features through message passing. This enables indirect cross-client knowledge transfer, even when features are never jointly observed locally, while preserving standard federated communication. Under simulated partial schema overlap on the SECOM and AirQuality datasets, FedHF-Impute improves imputation accuracy (RMSE) over FL baselines by 26.9\%, and 8.4\% respectively, while achieving comparable performance on PhysioNET, with only a 0.3\% difference relative to the best baseline.
Abstract（参考訳）: フェデレートラーニング(FL)は、分散化されたクライアント間で協調的なトレーニングを可能にするが、ほとんどのメソッドは、部分的に重複する機能サブセットだけをクライアントが観察する、表形式の設定ではめったにない、整列した機能スキーマを前提としている。これらの不均一な特徴空間において、パラメータ・アブリゲーション法(例えば、FedAvg)は弱重重なりあるいは非結合な特徴群間でほとんど情報を伝達し、連合的計算の有効性を制限する。これを解決するために,従来の特徴の欠如から構造的特徴の欠如を分離し,共有グローバル特徴グラフを用いて,統計学的に関連のある特徴の情報をメッセージパッシングを通じて伝達する,連合型計算フレームワークである‘textbf{FedHF-Impute} を提案する。これにより、標準のフェデレート通信を保ちながら、特徴が局所的に観測されない場合でも、間接的なクロスクライアントな知識伝達が可能になる。 SECOMデータセットとAirQualityデータセットのシミュレートされた部分スキーマの下では、FedHF-ImputeはFLベースライン上での計算精度(RMSE)を26.9%、FedHF-Imputeは8.4\%改善し、PhyloNETで同等のパフォーマンスを達成している。

関連論文リスト

Fractional-Order Federated Learning [4.1751058176413105]
フェデレートラーニング(FL)は、リモートクライアントがクライアントのプライバシを保護しながら、グローバルモデルを協調的にトレーニングすることを可能にする。プライバシー保護のメリットにもかかわらず、FLには、収束の遅い、通信コストの高い、非独立性および独立性のない(非IID)データなど、大きな欠点がある。
論文参考訳（メタデータ） (2026-02-17T06:25:23Z)
Principled Federated Random Forests for Heterogeneous Data [19.544248463207612]
我々は、水平分割データのための新しいフェデレートランダムフォレストアルゴリズムであるFedForestを提案する。我々は、慎重に選択されたクライアント統計を集約した分割手順が、集中型アルゴリズムによって選択された分割を近似していることを証明する。また、FedForestはクライアントインジケータの分割を可能にし、非パラメトリックなパーソナライゼーションの形式を可能にすることも示しています。
論文参考訳（メタデータ） (2026-02-03T08:41:59Z)
Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
論文参考訳（メタデータ） (2025-09-29T14:06:52Z)
STSA: Federated Class-Incremental Learning via Spatial-Temporal Statistics Aggregation [64.48462746540156]
Federated Class-Incremental Learning (FCIL)は、分散データからクラスインクリメンタルラーニングを可能にする。本稿では,空間的(クライアント間)と時間的(ステージ間)の両方に特徴統計を集約する新しい手法を提案する。本手法は, 性能, 柔軟性, 通信効率の両面で, 最先端のFCIL法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-06-02T05:14:57Z)
An Architecture Built for Federated Learning: Addressing Data Heterogeneity through Adaptive Normalization-Free Feature Recalibration [0.3481075494213406]
We propose Adaptive Normalization-free Feature Recalibration (ANFR) to combat heterogeneous data in Federated Learning (FL)。 ANFRは、ウェイト標準化とチャネルアテンションを組み合わせて、特徴マップの学習可能なスケーリング要素を生成する。実験により、ANFRは様々なアグリゲーション法で確立されたベースラインを一貫して上回っていることが示された。
論文参考訳（メタデータ） (2024-10-02T20:16:56Z)
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)
FedFM: Anchor-based Feature Matching for Data Heterogeneity in Federated Learning [91.74206675452888]
本稿では,各クライアントの特徴を共有カテゴリーのアンカーにマッチさせる新しいFedFM法を提案する。効率と柔軟性を向上させるため,FedFM-Liteと呼ばれるFedFM変種を提案し,クライアントは同期時間と通信帯域幅のコストを少なくしてサーバと通信する。
論文参考訳（メタデータ） (2022-10-14T08:11:34Z)
Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
論文参考訳（メタデータ） (2022-06-14T13:12:12Z)
Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文参考訳（メタデータ） (2021-11-28T19:03:39Z)

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。