論文の概要: EvoCSFL: Surrogate-Assisted Evolutionary Client Selection for Efficient and Robust Federated Learning

• arxiv url: http://arxiv.org/abs/2606.07702v1
• Date: Fri, 05 Jun 2026 09:09:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.293126
• Title: EvoCSFL: Surrogate-Assisted Evolutionary Client Selection for Efficient and Robust Federated Learning
• Title（参考訳）: EvoCSFL: 効率的かつロバストなフェデレーション学習のためのサロゲート支援進化的クライアント選択
• Authors: Lin Qiang, Sun Xiaoyan, Hu Yao, Fang Wei,
• Abstract要約: 本稿では,連合学習のための代理型クライアント進化選択フレームワークを提案する。 進化的アルゴリズムを用いてクライアント選択の空間を探索し、サロゲートモデルで導かれ収束を加速する。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The heterogeneity of client data and systems makes it difficult to achieve satisfactory convergence speed and robustness in federated learning with random client selection. To address this issue, this paper proposes a surrogate-assisted client evolutionary selection framework for federated learning. In this framework, some typical client selection strategies are first used to generate candidate sets, and a metric function that integrates model performance, communication latency, and energy consumption is developed to formulate the client selection problem as a combinatorial optimization one. Subsequently, a surrogate model is constructed using the candidate selections and metric to efficiently approximate the performance of selected client subsets. An evolutionary algorithm is employed to search the combinatorial space of client selections, guided by the surrogate model to accelerate convergence. Experiments on MNIST, CIFAR10, CINIC10, and TinyImageNet demonstrate that the proposed algorithm achieves faster convergence, lower energy consumption, and improved robustness compared to existing methods.
• Abstract（参考訳）: クライアントデータとシステムの不均一性は、ランダムなクライアント選択を伴うフェデレーション学習において、良好な収束速度とロバスト性を達成することを困難にしている。 そこで本研究では,フェデレーション学習のためのサロゲート支援クライアント進化選択フレームワークを提案する。 このフレームワークでは、まずいくつかの典型的なクライアント選択戦略を用いて候補セットを生成し、モデル性能、通信遅延、エネルギー消費を統合したメトリック関数を開発し、クライアント選択問題を組合せ最適化として定式化する。 その後、候補選択とメートル法を用いて代理モデルを構築し、選択したクライアントサブセットの性能を効率的に近似する。 進化的アルゴリズムを用いてクライアント選択の組合せ空間を探索し、サロゲートモデルで導かれ収束を加速する。 MNIST, CIFAR10, CINIC10, TinyImageNet の実験により,提案アルゴリズムは既存手法と比較して高速収束, 省エネルギー, 堅牢性の向上を実現している。

関連論文リスト

• Socially inspired Adaptive Coalition and Client Selection in Federated Learning [36.94429692322632]
  フェデレートラーニング(FL)は、プライバシ保護のための協調モデルトレーニングを可能にするが、その効果はクライアントデータの不均一性によって制限されることが多い。 i)合意に基づいてクライアントの非重複連立を動的に形成し、(ii)モデル更新のばらつきを最小限に抑えるために、各連立から1人の代表を選定するクライアント選択アルゴリズムを導入する。 提案手法は, 近距離行列をスペクトルクラスタリングに利用し, 集団の集合的意見を推定する最も情報性の高い個人を特定する手法として, ソーシャルネットワークモデリングに着想を得たものである。
  論文  参考訳（メタデータ） (2025-06-03T14:04:31Z)
• 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)
• Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning [50.060154488277036]
  連合学習では、クライアントの選択はモデルの性能と公平性の両方に大きな影響を及ぼす重要な問題である。 2つの指標間の固有の対立に対処し、互いに強化する2つの原則を提案する。 提案手法は,データ分布に基づいてクライアントを選択することにより,この多様性を適応的に向上させ,モデル性能と公平性の両方を改善する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• FedGCS: A Generative Framework for Efficient Client Selection in Federated Learning via Gradient-based Optimization [32.960744894146224]
  FedGCSは、新しい生成クライアント選択フレームワークである。 連続表現空間内の豊富な意思決定知識を効率的に符号化する。 これは、よく訓練されたデコーダのビームサーチにより、最終的な最適なクライアント選択を生成する。
  論文  参考訳（メタデータ） (2024-05-10T08:34:46Z)
• Provably Personalized and Robust Federated Learning [47.50663360022456]
  類似したクライアントのクラスタを識別し、パーソナライズされたモデルパークラスタを訓練する簡単なアルゴリズムを提案する。 アルゴリズムの収束率は、クライアントの真の基盤となるクラスタリングを知っていれば得られるものと一致します。
  論文  参考訳（メタデータ） (2023-06-14T09:37:39Z)
• FilFL: Client Filtering for Optimized Client Participation in Federated Learning [71.46173076298957]
  フェデレートラーニングは、クライアントがローカルデータを交換することなく、協調的にモデルをトレーニングすることを可能にする。 トレーニングプロセスに参加するクライアントは、収束率、学習効率、モデル一般化に大きな影響を与えます。 本稿では,モデル一般化を改善し,クライアント参加とトレーニングを最適化する新しい手法であるクライアントフィルタリングを提案する。
  論文  参考訳（メタデータ） (2023-02-13T18:55:31Z)
• Straggler-Resilient Personalized Federated Learning [55.54344312542944]
  フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。 これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。 提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
  論文  参考訳（メタデータ） (2022-06-05T01:14:46Z)
• Client Selection in Federated Learning: Convergence Analysis and Power-of-Choice Selection Strategies [29.127689561987964]
  フェデレートラーニングにより、多数のリソース制限されたクライアントノードが、データ共有なしで協調的にモデルをトレーニングできる。 局所的損失の高いクライアントに対するクライアント選択の偏りは、より高速なエラー収束を実現することを示す。 通信および計算効率の高いクライアント選択フレームワークであるPower-of-Choiceを提案する。
  論文  参考訳（メタデータ） (2020-10-03T01:04:17Z)

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。