Fugu-MT 論文翻訳(概要): Separate Aggregation of Split Network for Personalized Federated Learning

論文の概要: Separate Aggregation of Split Network for Personalized Federated Learning

arxiv url: http://arxiv.org/abs/2605.26571v1
Date: Tue, 26 May 2026 05:44:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-27 17:51:41.685968
Title: Separate Aggregation of Split Network for Personalized Federated Learning
Title（参考訳）: 個人化フェデレーション学習のための分割ネットワークの分離集約
Authors: Yunseok Kang, Jaeyoung Song,
Abstract要約: フェデレーション学習は、不均一なクライアントデータ分散の下で大幅に劣化する可能性がある。我々は、パーソナライズされたフェデレーション学習フレームワークであるPGFedSplitを提案する。 Fashion MNIST、CIFAR 10、CIFAR 100、Tiny ImageNetの実験では、アートPFL手法の状態を一貫した改善が示されている。
参考スコア（独自算出の注目度）: 0.9668407688201359
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Federated learning enables collaborative model training without sharing raw data, but its performance can degrade substantially under heterogeneous client data distributions. A single global model often cannot satisfy diverse client requirements, so personalized federated learning has therefore been explored to improve client specific performance while preserving global generalization. Existing PFL methods often face a fundamental tradeoff in which stronger global sharing can undermine local specialization, whereas stronger local adaptation can lead to overfitting under limited data, label imbalance, and missing class scenarios. In this work, we propose PGFedSplit, a personalized federated learning framework that improves both personalization and global generalization under severe client heterogeneity. PGFedSplit adopts a split architecture and performs adaptive aggregation scheduling tailored to the roles of different model components, enabling stable knowledge sharing while maintaining client specific adaptation. Each client further leverages a mixture of locally extracted representations and synthetic representations generated from server side Gaussian statistics, improving robustness under label imbalance and missing class conditions. Extensive experiments on Fashion MNIST, CIFAR 10, CIFAR 100, and Tiny ImageNet demonstrate consistent improvements over state of the art PFL methods, with stable convergence and superior personalization in highly heterogeneous settings.
Abstract（参考訳）: フェデレートラーニングは、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が、その性能は不均一なクライアントデータ分散の下で著しく低下する可能性がある。単一のグローバルモデルは多様なクライアント要求を満たすことができないことが多いため、グローバルな一般化を維持しながら、クライアント固有のパフォーマンスを改善するために、パーソナライズド・フェデレーション・ラーニングが検討されている。既存のPFL手法はしばしば、より強力なグローバル共有が局所的な特殊化を損なうという基本的なトレードオフに直面し、一方、より強力なローカル適応は、限られたデータの下で過度に適合し、ラベルの不均衡やクラスシナリオの欠如につながる。本研究では,高度クライアントの不均一性の下でのパーソナライズとグローバルな一般化を両立するパーソナライズド・フェデレーション・ラーニング・フレームワークであるPGFedSplitを提案する。 PGFedSplitは分割アーキテクチャを採用し、異なるモデルコンポーネントの役割に合わせてアダプティブアグリゲーションスケジューリングを実行する。各クライアントはさらに、サーバ側ガウス統計から生成される局所的に抽出された表現と合成表現の混合を活用し、ラベルの不均衡とクラス条件の欠如による堅牢性を改善する。 Fashion MNIST, CIFAR 10, CIFAR 100, Tiny ImageNetの大規模な実験は、最先端のPFL法に対する一貫した改善を示し、高度に異種な環境での安定した収束と優れたパーソナライゼーションを示す。

関連論文リスト

CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
論文参考訳（メタデータ） (2025-10-23T05:10:06Z)
FedPPA: Progressive Parameter Alignment for Personalized Federated Learning [0.9931624906346306]
フェデレートラーニング(FL)は、複数のクライアントが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、分散されたプライバシ保護機械学習パラダイムとして設計されている。実世界のシナリオでは、クライアントは不均一な計算資源を持ち、非独立で同一の分散データ(非IID)を保持し、トレーニング中に重大な課題を生じさせる。本稿では,クライアント間の共通レイヤの重み付けとグローバルモデルの重み付けを段階的に整合させるプログレッシブアライメント(FedPPA)を提案する。 MNIST、FMNIST、CIFAR-10を含む3つの画像分類データセットの実験は、FedPPAが既存のFLアルゴリズムより一貫して優れていることを示した。
論文参考訳（メタデータ） (2025-10-16T14:03:05Z)
Not All Clients Are Equal: Collaborative Model Personalization on Heterogeneous Multi-Modal Clients [59.52341877720199]
計算コストを伴わずに異種アーキテクチャ間の知識共有を可能にするFedMosaicを提案する。実世界のタスクの多様性を模倣するために,40の異なるタスクにまたがるマルチモーダルPFLベンチマークを提案する。実証研究は、FedMosaicが最先端のPFL法より優れていることを示している。
論文参考訳（メタデータ） (2025-05-20T09:17:07Z)
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)
Personalized Federated Learning via Feature Distribution Adaptation [3.410799378893257]
Federated Learning(FL)は、分散クライアントデータセット間の共通性を利用してグローバルモデルをトレーニングする分散学習フレームワークである。パーソナライズド・フェデレーション・ラーニング(PFL)は、各クライアントに適した個々のモデルを学習することで、この問題に対処しようとしている。我々は,グローバルな生成型分類器を局所的な特徴分布に適応させることで,パーソナライズされたモデルを効率的に生成するアルゴリズム,pFedFDAを提案する。
論文参考訳（メタデータ） (2024-11-01T03:03:52Z)
FedImpro: Measuring and Improving Client Update in Federated Learning [77.68805026788836]
フェデレートラーニング(FL)モデルは、不均一なデータによって引き起こされるクライアントのドリフトを経験することが多い。我々は、クライアントのドリフトに対する別の視点を示し、改善されたローカルモデルを生成することにより、それを緩和することを目指している。
論文参考訳（メタデータ） (2024-02-10T18:14:57Z)
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)
Adaptive Self-Distillation for Minimizing Client Drift in Heterogeneous Federated Learning [9.975023463908496]
Federated Learning(FL)は、クライアントがローカルトレーニングデータを共有せずに、局所的にトレーニングされたモデルを集約することで、グローバルモデルの共同トレーニングを可能にする機械学習パラダイムである。本稿では,適応自己蒸留(ASD)に基づく新たな正規化手法を提案する。我々の正規化方式は,グローバルモデルエントロピーとクライアントのラベル分布に基づいて,クライアントのトレーニングデータに適応的に適応的に適応する。
論文参考訳（メタデータ） (2023-05-31T07:00:42Z)
GRP-FED: Addressing Client Imbalance in Federated Learning via Global-Regularized Personalization [6.592268037926868]
本稿では,データ不均衡問題に対処するため,Global-Regularized Personalization (GRP-FED)を提案する。適応アグリゲーションでは、グローバルモデルは複数のクライアントを公平に扱い、グローバルな長期的問題を緩和する。我々のGRP-FEDは,グローバルシナリオとローカルシナリオの両方で改善されている。
論文参考訳（メタデータ） (2021-08-31T14:09:04Z)

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。