論文の概要: Fairness-Aware Federated Learning with Trajectory Shapley Value

• arxiv url: http://arxiv.org/abs/2605.30336v1
• Date: Thu, 28 May 2026 17:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.747576
• Title: Fairness-Aware Federated Learning with Trajectory Shapley Value
• Title（参考訳）: 軌道シェープ値を用いた公正なフェデレーション学習
• Authors: Daniel Kuznetsov, Ziqi Wang,
• Abstract要約: フェデレーション学習(Federated Learning)は、不均一でプライバシに敏感なデータによってもたらされる課題に対処する、新たな分散パラダイムである。 本稿では,各クライアントがグローバルモデルの最適化トラジェクトリにどのように影響するかを評価するコントリビューション指標であるトラジェクトリシェープリー値(TSV)を提案する。 我々は、FedTSVが収束を加速し、堅牢性を改善し、より公平なコントリビューションアセスメントを得られることを示す。
• 参考スコア（独自算出の注目度）: 3.662162441273026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning is an emerging distributed paradigm that addresses the challenges posed by heterogeneous, privacy-sensitive data. It enables multiple clients to train a model collaboratively by aggregating their local updates at a server. However, conventional aggregation schemes typically use fixed weights that fail to reflect unequal and time-varying client contributions, leading to biased and unstable learning. To improve fairness and stability, we propose the Trajectory Shapley Value (TSV), a contribution metric that evaluates how each client influences the optimization trajectory of the global model using a validation-based, temporally consistent utility. Building on TSV, we design FedTSV, an adaptive aggregation method that converts per-round evaluations into dynamic client weights, allowing the server to respond to heterogeneous and adversarial participation in real time. Experiments on benchmark datasets show that FedTSV accelerates convergence, improves robustness, and yields more equitable contribution assessments, thereby providing a principled foundation for fairness-aware federated optimization.
• Abstract（参考訳）: フェデレーション学習(Federated Learning)は、不均一でプライバシに敏感なデータによってもたらされる課題に対処する、新たな分散パラダイムである。 複数のクライアントが、ローカルアップデートをサーバに集約することで、協調的にモデルをトレーニングできる。 しかし、従来のアグリゲーションスキームでは、不平等で時間的に異なるクライアントの貢献を反映できない固定重みを使い、バイアスと不安定な学習につながる。 妥当性と安定性を向上させるため,検証に基づく時間的整合性を利用して,各クライアントがグローバルモデルの最適化トラジェクトリにどのように影響するかを評価するコントリビューション指標であるトラジェクトリ・シェープリー・バリュー(TSV)を提案する。 TSV上に構築したFedTSVは、ラウンドごとの評価を動的クライアント重みに変換し、サーバが異種および敵対的な参加をリアルタイムで応答できるようにする適応アグリゲーション手法である。 ベンチマークデータセットの実験では、FedTSVは収束を加速し、堅牢性を改善し、より公平なコントリビューションアセスメントを提供する。

関連論文リスト

• Federated Learning by Utility-Constrained Stochastic Aggregation for Improving Rational Participation [4.143291168802944]
  Federated Learning (FL)アルゴリズムは、クライアントがサーバー要求に応じてローカルモデルのアップデートを共有することによって、サーバーサイドのオーケストレーションに受動的に対応していると仮定する。 クライアントは多くの場合、グローバルモデルよりもローカルモデルのパフォーマンスなどのユーティリティを優先する有理的なエージェントです。 我々は,クライアント参加を持続させることで,グローバルモデルのパフォーマンスを最大化するためのサーバの役割を形式化するフレームワークであるFedUCAを紹介する。
  論文  参考訳（メタデータ） (2026-05-18T08:12:36Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• 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)
• HFedCKD: Toward Robust Heterogeneous Federated Learning via Data-free Knowledge Distillation and Two-way Contrast [10.652998357266934]
  データフリーな知識蒸留と双方向コントラスト(HFedCKD)に基づくヘテロジニアスフェデレーション方式を提案する。 HFedCKDは、データフリーな知識蒸留における低い参加率による知識オフセットを効果的に軽減し、モデルの性能と安定性を向上させる。 我々は画像とIoTデータセットに関する広範な実験を行い、提案したHFedCKDフレームワークの一般化と堅牢性を包括的に評価し、検証する。
  論文  参考訳（メタデータ） (2025-03-09T08:32:57Z)
• 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)
• TRAIL: Trust-Aware Client Scheduling for Semi-Decentralized Federated Learning [13.144501509175985]
  本稿では、クライアントの状態とコントリビューションを評価するTRAILと呼ばれるTRust-Aware clIent scheduLing機構を提案する。 我々は、エッジサーバとクライアントが信頼できないクラスタ内モデルアグリゲーションとクラスタ間モデルコンセンサスを使用して、共有グローバルモデルをトレーニングする半分散FLフレームワークに焦点を当てる。 実世界のデータセットで行われた実験では、TRAILは最先端のベースラインを上回っ、テスト精度が8.7%向上し、トレーニング損失が15.3%減少した。
  論文  参考訳（メタデータ） (2024-12-16T05:02:50Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• 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)

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。