論文の概要: From Data Heterogeneity to Convergence: A Data-Centric Review of Federated Learning

• arxiv url: http://arxiv.org/abs/2606.10595v1
• Date: Tue, 09 Jun 2026 09:00:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.404568
• Title: From Data Heterogeneity to Convergence: A Data-Centric Review of Federated Learning
• Title（参考訳）: データ不均一性から収束へ:フェデレーションラーニングのデータ中心レビュー
• Authors: Huong Nguyen, Mickaël Bettinelli, Amirhossein Ghaffari, Alexandre Benoit, Hong-Tri Nguyen, Susanna Pirttikangas, Lauri Lovén,
• Abstract要約: Federated Learning(FL)は、集中型学習におけるデータ飢餓のための有望なソリューションとして登場した。 FLでは、複数のクライアントによるプライバシによって、ローカルデータを公開することなく、共有タスクモデルを協調的にトレーニングすることができる。 あらゆる学習システムにおいて重要なコンポーネントである一方で、データは脆弱性や課題の主要な原因でもある。
• 参考スコア（独自算出の注目度）: 35.26793524140591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) has emerged as a promising solution for data hunger in centralized learning. This paradigm enables privacy with multiple clients to train a shared-task model collaboratively without exposing their local data. While being a key component in any learning system, data is also a primary source of vulnerabilities and challenges, and a major determinant of a stable and well-converged training. Existing FL reviews describe general foundations, security practices, opportunities, challenges, and applications, without delving into diverse aspects of data and considering problems from the data perspective. They rarely provide a data-lens synthesis that links concrete data properties, split protocols, and defenses to convergence speed and stability. This survey fills that gap with three advances. First, we analyze non-IID into measurable traits and rank their influence on convergence as strong, medium, or light, explaining the mechanisms behind each and reconciling evidence across images, texts, and graphs. Second, we connect experimental splitting practices to the real phenomena they emulate, expose the artifacts they introduce, and show how those artifacts affect target accuracy. Third, we analyze how data-related vulnerabilities and their proposed defenses affect convergence, reporting performance under clean and adversarial conditions to make the convergence-robustness trade-off explicit. To our knowledge, this is the first survey to provide a complete understanding of data-related challenges that govern FL. With clear takeaways distilled for each concern, our work serves as actionable guidance, helping practitioners design their system with predictable convergence and stability.
• Abstract（参考訳）: Federated Learning(FL)は、集中型学習におけるデータ飢餓のための有望なソリューションとして登場した。 このパラダイムにより、複数のクライアントによるプライバシによって、ローカルデータを公開することなく、共有タスクモデルを協調的にトレーニングすることが可能になります。 あらゆる学習システムにおいて重要なコンポーネントである一方で、データは脆弱性や課題の主要な原因でもあると同時に、安定的で収束したトレーニングの主要な決定要因でもある。 既存のFLレビューでは、データのさまざまな側面を掘り下げることなく、データの観点から問題を考えることなく、一般的な基盤、セキュリティプラクティス、機会、課題、アプリケーションについて記述している。 データ-レンズ合成は、具体的なデータ特性、分割プロトコル、防衛を収束速度と安定性に結びつけることはめったにない。 この調査はそのギャップを3つの進歩で埋める。 まず,非IIDを測定可能な特性に分類し,コンバージェンスへの影響を強い,中,光としてランク付けし,その背景にあるメカニズムを説明し,画像,テキスト,グラフ間で証拠を整合させる。 第二に、実験的な分割のプラクティスを、彼らがエミュレートした実際の現象に結びつけ、導入したアーティファクトを公開し、これらのアーティファクトがターゲットの精度にどのように影響するかを示します。 第三に、データ関連の脆弱性とその防御策が収束に与える影響を分析し、クリーンで逆境的な条件下での性能を報告し、収束・破壊性のトレードオフを明確にする。 我々の知る限りでは、FLを統治するデータ関連の課題について、完全な理解を提供する最初の調査である。 それぞれの懸念から抽出したクリアなテイクアウトによって、我々の仕事は実行可能なガイダンスとなり、実践者が予測可能な収束と安定性でシステムを設計するのを手助けします。

関連論文リスト

• Evian: Towards Explainable Visual Instruction-tuning Data Auditing [14.93566912726999]
  本稿では,モデル応答を構成的認知要素に分解する「分解的評価」パラダイムを提案する。 このパラダイムを、画像テキスト一貫性、論理コヒーレンス、ファクチュアル正確性の軸に沿ってこれらのコンポーネントを評価する自動化フレームワークであるEVIANを介してインスタンス化する。
  論文  参考訳（メタデータ） (2026-04-22T13:28:27Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• A Thorough Assessment of the Non-IID Data Impact in Federated Learning [1.89791888476598]
  分散機械学習(FL)は、分散クライアントの情報間のコラボレーティブ機械学習(ML)トレーニングを可能にし、データのプライバシを保証する。 FLの分散特性は、非独立で同一に分散された(非IID)データを扱う。 その重要性にもかかわらず、あらゆる種類のデータ不均一性(すなわち非IIDness)に体系的に対処する実験的研究はほとんど残っていない。 非IID効果の評価と定量化を徹底的な実証分析によって行うことで,このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2025-03-21T11:53:36Z)
• Footprints of Data in a Classifier: Understanding the Privacy Risks and Solution Strategies [0.9208007322096533]
  一般データ保護規則(Right Erasure)第17条は、潜在的な妥協を防ぐために、システムから永久にデータを除去することを要求する。 そのような問題の1つは、予測モデルに埋め込まれたトレーニングデータの残余のフットプリントから生じる。 本研究は,分類器システムの2つの基本的な側面 – 訓練品質と分類器訓練方法 – が,プライバシの脆弱性にどのように寄与するかを検討する。
  論文  参考訳（メタデータ） (2024-07-02T13:56:37Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• FLASH: Federated Learning Across Simultaneous Heterogeneities [55.0981921695672]
  FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。 ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。 最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
  論文  参考訳（メタデータ） (2024-02-13T20:04:39Z)
• Towards Understanding Adversarial Transferability in Federated Learning [14.417827137513369]
  悪質なクライアントのグループは、そのアイデンティティを軽視し、良心的なクライアントとして振る舞うことによって、トレーニング中にモデルに影響を与えてきたが、その後、敵の役割に切り替えた。 この種の攻撃は微妙で検出が難しい。 提案攻撃が現在のFLシステムに対して高いセキュリティリスクを課すことを実証的に示す。
  論文  参考訳（メタデータ） (2023-10-01T08:35:46Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。