論文の概要: Compositional Generative Modeling from Decentralized Data

• arxiv url: http://arxiv.org/abs/2606.10153v1
• Date: Mon, 08 Jun 2026 20:32:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.183477
• Title: Compositional Generative Modeling from Decentralized Data
• Title（参考訳）: 分散データからの合成生成モデリング
• Authors: Mashrur M. Morshed, Vishnu Naresh Boddeti,
• Abstract要約: 分散構成フローマッチング(DCFM)は、生データを交換することなく、グローバルな生成因子の集合をまたいだ構造的制約を強制するフレームワークである。 DCFMは、条件付き画像生成、ロボット空間計画、および医療属性共起モデルにおいて、フェデレーション学習とエキスパートの混合ベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 19.1158232006724
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Learning the compositional nature of the physical world requires joint observation of interacting factors. However, because practical data is often decentralized, these factors are fragmented across isolated silos. Existing decentralized generative approaches focus only on modeling the union of siloed data, overlooking novel combinations implied by the collective whole. To bridge this gap, we introduce Decentralized Compositional Flow Matching (DCFM), a framework that enforces structural constraints across the global set of generative factors, without exchanging any raw data. DCFM enables novel combinations to emerge through peer interactions, even when no single data source can independently support the composition. Empirically, DCFM substantially outperforms federated learning and mixture-of-experts baselines across conditional image generation, robotic spatial planning, and medical attribute co-occurrence modeling.
• Abstract（参考訳）: 物理世界の構成性を学ぶには、相互作用する要因を共同で観察する必要がある。 しかし、実データはしばしば分散化されているため、これらの要因は孤立したサイロで断片化されている。 既存の分散型生成アプローチは、サイロ化されたデータの結合をモデル化することのみに焦点をあて、集団全体によって示唆される新しい組み合わせを見渡す。 このギャップを埋めるために、我々は、生データを交換することなく、グローバルな生成因子セットにまたがる構造的制約を強制するフレームワークである分散構成フローマッチング(DCFM)を導入する。 DCFMは、単一のデータソースが独立してコンポジションをサポートできない場合でも、ピアインタラクションを通じて新しい組み合わせを実現できる。 実証的には、DCFMは条件付き画像生成、ロボット空間計画、医療属性共起モデルにおいて、フェデレーションドラーニングとミックス・オブ・サーキットのベースラインを大幅に上回っている。

関連論文リスト

• Attention-Based Variational Framework for Joint and Individual Components Learning with Applications in Brain Network Analysis [9.090595907330018]
  2組のSC-FCデータセットから因数分解された潜在表現を学習するために設計されたC-Modal Joint-Individual Variational Network (CM-JIVNet)。 本モデルでは,多面的注意融合モジュールを用いて,非線形な相互依存を捕捉し,独立性,モダリティ特異的な信号の分離を行う。 関節と個々の特徴空間を効果的に切り離すことで、CM-JIVNetは大規模マルチモーダル脳分析のための堅牢で解釈可能なスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-01-23T00:28:43Z)
• Personalized Federated Dictionary Learning for Modeling Heterogeneity in Multi-site fMRI Data [14.18552770292156]
  PFedDLは各サイトで独立した辞書学習を行い、各サイト固有の辞書を共有グローバルコンポーネントとパーソナライズされたローカルコンポーネントに分解する。 ABIDEデータセットの実験は、PFedDLが既存の手法よりも精度と堅牢性で、非IIDデータセットよりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-09-25T00:01:02Z)
• FeDaL: Federated Dataset Learning for Time Series Foundation Models [28.259753002652793]
  本稿では,フェデレートデータセット学習(FeDaL)手法を提案する。 FeDaLは、ドメインバイアス除去(DBE)とグローバルバイアス除去(GBE)の2つの相補的なメカニズムを追加することによって、局所バイアスとグローバルバイアスの両方を明示的に緩和する。 データボリューム、クライアント数、結合率は、分散化下でのモデルパフォーマンスにどのように影響するかを示す。
  論文  参考訳（メタデータ） (2025-08-06T03:14:31Z)
• Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
  本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。 空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-06-24T00:56:21Z)
• Harmonizing Generalization and Personalization in Ring-topology Decentralized Federated Learning [41.4210010333948]
  本稿では,分散モデルトレーニングのためのリングトポロジ分散フェデレート学習(RDFL)について紹介する。 RDFLは、固有のデータ不均一性を扱う場合、ポイントツーポイント通信方式により、情報の共有効率が低いという課題に直面している。 本稿では、特徴生成モデルを用いて、基礎となるデータ分布からパーソナライズされた情報と不変な共有知識を抽出するDivide-and-conquer RDFLフレームワーク(DRDFL)を提案する。
  論文  参考訳（メタデータ） (2025-04-27T04:38:49Z)
• Client Contribution Normalization for Enhanced Federated Learning [4.726250115737579]
  スマートフォンやラップトップを含むモバイルデバイスは、分散化された異種データを生成する。 フェデレートラーニング(FL)は、データ共有のない分散デバイス間でグローバルモデルの協調トレーニングを可能にすることで、有望な代替手段を提供する。 本稿では、FLにおけるデータ依存的不均一性に着目し、局所的に訓練されたモデルから抽出された平均潜在表現を活用する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-10T04:03:09Z)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手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） (2023-12-10T18:49:59Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• FedH2L: Federated Learning with Model and Statistical Heterogeneity [75.61234545520611]
  フェデレートラーニング(FL)は、分散参加者が個々のデータのプライバシを犠牲にすることなく、強力なグローバルモデルを集合的に学習することを可能にする。 我々はFedH2Lを導入し、これはモデルアーキテクチャに非依存であり、参加者間で異なるデータ分散に対して堅牢である。 パラメータや勾配を共有するアプローチとは対照的に、FedH2Lは相互蒸留に依存し、参加者間で共有シードセットの後方のみを分散的に交換する。
  論文  参考訳（メタデータ） (2021-01-27T10:10:18Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。