論文の概要: Choose Wisely and Privately: Proactive Client Selection for Fair and Efficient Federated Learning

• arxiv url: http://arxiv.org/abs/2605.20975v1
• Date: Wed, 20 May 2026 10:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.614343
• Title: Choose Wisely and Privately: Proactive Client Selection for Fair and Efficient Federated Learning
• Title（参考訳）: 簡潔でプライベートな選択:公正かつ効率的なフェデレーション学習のための積極的なクライアント選択
• Authors: Adda Akram Bendoukha, Heber Hwang Arcolezi, Nesrine Kaaniche, Aymen Boudguiga,
• Abstract要約: Federated Learningは、データ転送なしで分散化されたデータソース間で協調的なモデルトレーニングを可能にする。 平均FLは、収束速度と最終モデルの精度に悪影響を及ぼす非IIDデータの存在によって制限される。 本稿では,学習開始前の有効性と公正性の要求に一致したクライアントの最適なフェデレーションを見つけることを目的とした,積極的なクライアント選択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）: 0.9099663022952496
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated Learning enables collaborative model training across decentralized data sources without data transfer. Averaging-based FL is limited by the presence of non-IID data, which negatively impacts convergence speed and final model accuracy. Conventional alternatives suffer from significant inefficiency. Clients with noisy or highly heterogeneous data contribute expensive gradient computations that are either discarded or heavily down-weighted before aggregation. These reactive approaches waste computational resources, require more communication rounds and result in unnecessary privacy exposure. In this paper, we propose a proactive client selection framework that aims to find an optimal federation of clients whose combined data match utility and fairness requirements before training begins. Our method relies on mutual information computed from differentially private contingency tables to quantify the relevance of cross-feature correlations in the union dataset. We introduce a Potential Federation Loss (PFL) over the set of fixed-size federations, which balances two objectives. Maximizing collective data utility while ensuring fair cross-features correlations to prevent group unfairness. Client selection is expressed as an optimal subset search problem over the PFL objective, which we solve using simulated annealing under strong differential privacy guarantees for clients' local statistics. Experimental results on four benchmarks show faster, fairer, and more accurate models trained on optimally found federations, compared to uniform sampling, even when state-of-the-art adaptive aggregation or sampling strategies are employed.
• Abstract（参考訳）: Federated Learningは、データ転送なしで分散化されたデータソース間で協調的なモデルトレーニングを可能にする。 平均FLは、収束速度と最終モデルの精度に悪影響を及ぼす非IIDデータの存在によって制限される。 従来の代替手段は大きな非効率性に悩まされる。 ノイズの多いデータやヘテロジニアスなデータを持つクライアントは、アグリゲーションの前に破棄されたり、重く低下させたりした、高価な勾配計算に貢献する。 これらのリアクティブなアプローチは、計算リソースを無駄にし、より多くの通信ラウンドを必要とし、不要なプライバシ露出をもたらす。 本稿では,学習開始前の有効性と公正性の要求に一致したクライアントの最適なフェデレーションを見つけることを目的とした,積極的なクライアント選択フレームワークを提案する。 本手法は,連合データセットにおける相互相関関係の相関関係を定量化するために,差分的プライベート並行性表から計算した相互情報に依存する。 我々は,2つの目標のバランスをとる固定サイズの連合の集合に対して,潜在的な連合損失(PFL)を導入する。 集団データの有効性を最大化し、公正な相互関係を確保し、グループ不公平を防止する。 クライアントの選択はPFLの目的に対して最適なサブセット探索問題として表現され、クライアントのローカル統計に対する強い差分プライバシー保証の下でシミュレーションアニーリングを用いて解決する。 4つのベンチマークによる実験結果は、最先端の適応的アグリゲーションやサンプリング戦略を採用する場合でも、一様サンプリングと比較して、最適に検出されたフェデレーションに基づいて訓練されたより高速で公平で正確なモデルを示している。

関連論文リスト

• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Faster Convergence on Heterogeneous Federated Edge Learning: An Adaptive Clustered Data Sharing Approach [27.86468387141422]
  Federated Edge Learning (FEEL)は、6G Hyper-Connectivityのための分散機械学習パラダイムのパイオニアとして登場した。 現在のFEELアルゴリズムは、非独立かつ非独立に分散した(非IID)データと競合し、通信コストの上昇とモデルの精度が損なわれる。 我々はクラスタ化データ共有フレームワークを導入し、クラスタヘッドから信頼されたアソシエイトに部分的なデータを選択的に共有することで、データの均一性を緩和する。 実験により, このフレームワークは, 限られた通信環境において, 収束速度が速く, モデル精度が高い非IIDデータセット上で FEEL を促進することを示した。
  論文  参考訳（メタデータ） (2024-06-14T07:22:39Z)
• Utilizing Free Clients in Federated Learning for Focused Model Enhancement [9.370655190768163]
  Federated Learning(FL)は、分散機械学習のアプローチで、分散化された異種データのモデルを学ぶ。 我々はこの課題に対処するためにFedALIGN(Federated Adaptive Learning with Inclusion of Global Needs)を提案する。
  論文  参考訳（メタデータ） (2023-10-06T18:23:40Z)
• 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)
• FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
  我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。 我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-12-14T13:57:01Z)
• 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)

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。