論文の概要: Hierarchical Federated Learning with Dynamic Clustering and Adaptive Regularization for Robust Infrastructure Inspection

• arxiv url: http://arxiv.org/abs/2606.03084v1
• Date: Tue, 02 Jun 2026 03:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.722944
• Title: Hierarchical Federated Learning with Dynamic Clustering and Adaptive Regularization for Robust Infrastructure Inspection
• Title（参考訳）: 動的クラスタリングと適応正規化による階層型フェデレーション学習によるロバストインフラストラクチャ検査
• Authors: Yuhu Feng, Keisuke Maeda, Takahiro Ogawa, Miki Haseyama,
• Abstract要約: 本稿では,新しい階層型フェデレーション学習フレームワークを提案する。 このフレームワークは、相乗的な2層最適化戦略を編成する。 大規模で実世界の構造検査データセットに関する総合的な評価は、マクロクラスタリングとマイクロレギュラー化の階層的な統合が二重レベルの不均一性をうまく中和することを示した。
• 参考スコア（独自算出の注目度）: 46.657161089480375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The deployment of data-driven computer vision models for structural health monitoring (SHM) is heavily constrained by the data silo dilemma due to stringent privacy and security regulations. While federated learning (FL) offers a privacy-preserving collaborative alternative, its application to nationwide infrastructure networks is severely hindered by the challenge of ``double heterogeneity'': macro-level physical divergence across disparate structural types and micro-level statistical imbalances within local datasets. To overcome this challenge, this paper proposes a novel hierarchical federated learning framework. The framework orchestrates a synergistic two-tier optimization strategy. At the macro-level, a dynamic gradient-based clustering mechanism autonomously aggregates distributed clients into specialized expert groups based on their structural degradation trajectories, circumventing the need for prior geographical metadata. Concurrently, at the micro-level, an intra-cluster Dynamic Region-Adaptive Proximal Regularization (DRAPR) module computes a real-time statistical Non-IID Intensity Score for each client. By adaptively modulating a proximal penalty based on local label skewness and gradient divergence, DRAPR effectively calibrates local updates, mitigates client drift, and prevents the catastrophic forgetting of minority damage classes. Comprehensive evaluations on a large-scale, real-world structural inspection dataset demonstrate that the hierarchical integration of macro-clustering and micro-regularization successfully neutralizes dual-level heterogeneity, yielding highly robust and specialized diagnostic models for complex infrastructure inspection.
• Abstract（参考訳）: 構造的健康モニタリング(SHM)のためのデータ駆動型コンピュータビジョンモデルのデプロイは、厳格なプライバシとセキュリティ規制のため、データサイロジレンマによって厳しく制約されている。 フェデレーテッド・ラーニング(FL)は、プライバシ保護の代替手段を提供するが、全国のインフラネットワークへのその適用は、'double heterogeneity'' — 異なる構造型間のマクロレベルの物理的ばらつきと、ローカルデータセット内のマイクロレベルの統計的不均衡 — という課題によって、著しく妨げられている。 そこで本研究では,新しい階層型フェデレーション学習フレームワークを提案する。 このフレームワークは、相乗的な2層最適化戦略を編成する。 マクロレベルでは、動的勾配に基づくクラスタリング機構が分散クライアントをその構造劣化軌跡に基づいて専門の専門家グループに自律的に集約し、以前の地理的メタデータの必要性を回避する。 同時に、マイクロレベルでは、クラスタ内の動的領域適応プロキシ正規化(DRAPR)モジュールが各クライアントに対してリアルタイム統計非IIDインテンシティスコアを計算する。 DRAPRは、局所ラベルスキューネスと勾配偏差に基づく近位ペナルティを適応的に調整することにより、局所更新を効果的に校正し、クライアントのドリフトを緩和し、マイノリティ損傷クラスの破滅的な忘れを防止する。 大規模で実世界の構造検査データセットに関する総合的な評価は、マクロクラスタリングとマイクロ規則化の階層的な統合が二重レベルの不均一性を中和し、複雑なインフラ検査のための高度に堅牢で専門的な診断モデルをもたらすことを示した。

関連論文リスト

• 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)
• HAG: Hierarchical Demographic Tree-based Agent Generation for Topic-Adaptive Simulation [26.61515474480962]
  堅牢なフレームワークは、マイクロレベルの個人合理性を確保しつつ、マクロレベルの関節分布をキャプチャするべきである。 既存のアプローチは、データから見えないトピックに適応できない静的なデータベースの検索方法と、マクロレベルの分布認識を欠くLLMベースの生成方法の2つのカテゴリに分類される。 人口発生を2段階決定プロセスとして定式化する階層型エージェント生成フレームワークであるHAGを提案する。
  論文  参考訳（メタデータ） (2026-01-09T09:26:08Z)
• CIEGAD: Cluster-Conditioned Interpolative and Extrapolative Framework for Geometry-Aware and Domain-Aligned Data Augmentation [10.159901538172575]
  実践的なディープラーニングデプロイメントでは、データの不足とラベル分布の不均衡が、意味不明な領域につながることが多い。 幾何認識・領域対応データ拡張のためのクラスタ条件補間・外挿フレームワーク(CIEGAD)を提案する。 本研究では,CIEGADが実世界のデータ分布の周辺を効果的に拡張し,実世界のデータと実世界のデータとの高整合性を維持しつつ,意味的多様性も維持していることを示す。
  論文  参考訳（メタデータ） (2025-12-11T00:32:37Z)
• Localized Kernel Projection Outlyingness: A Two-Stage Approach for Multi-Modal Outlier Detection [0.0]
  Two-Stage LKPLOは、新しいマルチステージアウトレイラ検出フレームワークである。 従来の射影的手法の制約を克服する。 挑戦的なデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-10-28T03:53:46Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
  本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。 第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。 第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
  論文  参考訳（メタデータ） (2021-03-08T03:04:14Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)

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。