論文の概要: FIRMA: FIbonacci Ring Model Aggregation for Privacy-preserving Federated Learning

• arxiv url: http://arxiv.org/abs/2605.22898v1
• Date: Thu, 21 May 2026 16:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.033303
• Title: FIRMA: FIbonacci Ring Model Aggregation for Privacy-preserving Federated Learning
• Title（参考訳）: FIRMA:プライバシ保護フェデレーション学習のためのFIbonacci Ring Model Aggregation
• Authors: Rachid Hedjam,
• Abstract要約: 標準サーバベースの集約は単一障害点と勾配反転リスクを生成します。 既存のプロトコルは、サーバフリーな操作、永久にプライベートなヘッド、リングトポロジー、原則化された非対称な近接重み付けを同時に達成する。 本研究では,FIRMA(textbfFIbonacci textbfModel textbfAggregation)を提案する。
• 参考スコア（独自算出の注目度）: 2.142974047772686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning protocols face a structural trilemma: canonical server-based aggregation~\cite{mcmahan2017} creates a single point of failure and gradient inversion risk; decentralised ring-gossip alternatives~\cite{hu2019segmented} expose classification heads to semi-honest peers via uninformed uniform weights; and personalised methods~\cite{collins2021exploiting} reintroduce central aggregation. No existing protocol simultaneously achieves server-free operation, permanently private heads, ring topology, and principled asymmetric neighbour weighting. We propose FIRMA (\textbf{FI}bonacci \textbf{R}ing \textbf{M}odel \textbf{A}ggregation), a family of three progressively enhanced federated learning protocols: 1) \fibfl\ establishes the foundation: server-free ring aggregation with Fibonacci-weighted neighbour blending and permanently private classification heads. 2) \fibflp\ augments this with accuracy-gated neighbour suppression, selectively down-weighting poorly-converged peers while preserving the Fibonacci directional bias. 3) \fibflpp, the full system, completes the family with a 2-opt ring permutation that maximises adjacent-client class diversity, global ring coverage via $K_g{=}\lceil N/2\rceil$ gossip passes, and cosine-annealed self-retention calibration. We establish a convergence rate bound and three supporting propositions governing normalisation, coverage, retention, and diversity optimality. Systematic experiments across 28 configurations -- four benchmarks crossed with seven heterogeneity regimes -- demonstrate that \fibflpp\ surpasses \fedavg\ in all 12 label-skew configurations, with a peak advantage of $+20.7$\,pp on CIFAR-10 at $K{=}1$. Under Dirichlet heterogeneity, \fibflpp\ is the Pareto-dominant method among all server-free protocols, achieving the highest accuracy in 17 of 28 configurations.
• Abstract（参考訳）: 標準サーバベースのアグリゲーション~\cite{mcmahan2017} は単一障害点と勾配のインバージョンリスクを生じさせ、分散リングゴシップ代替案~\cite{hu2019segmented} は、非インフォーム化された均一なウェイトを介して、半正直なピアに分類ヘッドを公開し、パーソナライズされたメソッド~\cite{collins2021exploiting} は中央アグリゲーションを再導入する。 既存のプロトコルは、サーバフリーな操作、永久にプライベートなヘッド、リングトポロジー、原則化された非対称な近接重み付けを同時に達成する。 本稿では,FIRMA (\textbf{FI}bonacci \textbf{R}ing \textbf{M}odel \textbf{A}ggregation) を提案する。 1) \fibfl\ は、Fibonacci-weighted neighbor blending とperperallyly private classification head によるサーバーフリーリングアグリゲーションの基礎を確立する。 2) フィボナッチ指向バイアスを保ちつつ, 弱収束性ピアを選択的に下降させ, 精度の高い隣人抑制を施した。 3) フルシステムである \fibflpp は、隣接するクライアントクラスの多様性を最大化する 2-オプト環置換、$K_g{=}\lceil N/2\rceil$ gossip パスによるグローバルリングカバレッジ、コサインアニールによる自己保持キャリブレーションにより、ファミリーを完成させる。 我々は、収束率と、正規化、カバレッジ、保持、多様性の最適性を管理する3つの提案を確立する。 28のコンフィグレーション(4つのベンチマークが7つのヘテロジニティレギュレーションと交差している)にわたる体系的な実験は、すべての12のラベルスキュー構成において \fibflpp\ が \fedavg\ を上回り、最高値は$K{=}1$で CIFAR-10 で$+20.7$\,pp であることを示した。 ディリクレの不均一性の下では、 \fibflpp\ は全てのサーバーフリープロトコルの中で Pareto-dominant 法であり、28の構成のうち17の最高精度を達成している。

関連論文リスト

• OmniISR: A Unified Framework for Centralized and Federated Learning via Intermediate Supervision and Regularization [58.03221830946145]
  我々は、純粋なCL、純粋なFL、ハイブリッドCL-FLトレーニングモードを融合する統合フレームワークであるOmniISRを提案する。 我々は,OmniISRが集中型パラダイムとフェデレーション型パラダイムの両方において,モデル性能を一貫して改善していることを示す。
  論文  参考訳（メタデータ） (2026-05-19T04:13:27Z)
• Fed-BAC: Federated Bandit-Guided Additive Clustering in Hierarchical Federated Learning [4.998584084394827]
  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。
  論文  参考訳（メタデータ） (2026-05-12T09:07:52Z)
• DINORANKCLIP: DINOv3 Distillation and Injection for Vision-Language Pretraining with High-Order Ranking Consistency [12.06248193140353]
  対照的な言語イメージのpreCLIPは2つの構造的弱点に悩まされる。 RANKCLIPは、リストワイドのPlackett-Luceランキング一貫性を失うことで、最初の問題に部分的に対処する。 DINORANKCLIPは,両者を共同で扱う事前学習フレームワークである。
  論文  参考訳（メタデータ） (2026-05-07T17:19:52Z)
• Regularized Online RLHF with Generalized Bilinear Preferences [68.44113000390544]
  一般的な嗜好を伴う文脈的オンラインRLHFの問題を考える。 一般化された双線形選好モデルを用いて、低ランクなスキュー対称行列による選好を捉える。 グリーディポリシーの双対ギャップは推定誤差の正方形によって有界であることを示す。
  論文  参考訳（メタデータ） (2026-02-26T15:27:53Z)
• 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)
• DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
  ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。 自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。 実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-10-21T03:23:32Z)
• Error Feedback for Muon and Friends [80.90330715662961]
  我々は、厳密な収束保証を備えた最初の通信効率非ユークリッドLMOであるEF21-Muonを紹介する。 我々の理論は、非ユークリッドの滑らかさとより一般的な$(L0, L1)$-smooth設定をカバーし、最もよく知られたユークリッドの速度と一致し、適切なノルム選択の下でより高速な収束を可能にする。
  論文  参考訳（メタデータ） (2025-10-01T08:20:08Z)
• Variational Gaussian Mixture Manifold Models for Client-Specific Federated Personalization [0.0]
  VGM$2$は、クライアント固有のパラメトリックUMAP埋め込みを学習する幾何学中心のPFLフレームワークである。 各クライアントは、マーカーの重み、手段、およびばらつきに対してディリクレ-ノルマル-逆-ガンマの後部を保持する。 VGM$2$は、強いベースラインに比べて、競争力または優れたテストF1スコアを達成する。
  論文  参考訳（メタデータ） (2025-09-04T01:28:02Z)
• Near-Optimal Resilient Aggregation Rules for Distributed Learning Using 1-Center and 1-Mean Clustering with Outliers [24.88026399458157]
  ビザンティンの機械学習は、予測不可能な欠陥によってかなりの注目を集めている。 分散学習におけるマシンのセキュア化の鍵は、レジリエントな集約メカニズムである。
  論文  参考訳（メタデータ） (2023-12-20T08:36:55Z)
• Black-Box Certification with Randomized Smoothing: A Functional Optimization Based Framework [60.981406394238434]
  本稿では,非ガウス雑音とより一般的な攻撃に対する対向的認証の一般的な枠組みを提案する。 提案手法は,従来の手法よりも優れた認証結果を得るとともに,ランダム化スムーズな認証の新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-02-21T07:52:47Z)

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。