論文の概要: Federated continual learning: A comprehensive survey on lifelong and privacy-preserving learning over distributed and non-stationary data

• arxiv url: http://arxiv.org/abs/2606.11272v1
• Date: Tue, 09 Jun 2026 08:35:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.102895
• Title: Federated continual learning: A comprehensive survey on lifelong and privacy-preserving learning over distributed and non-stationary data
• Title（参考訳）: フェデレーション型連続学習:分散データと非定常データを用いた生涯・プライバシ保護学習に関する包括的調査
• Authors: Masoume Gholizade, Fabrizio Ruffini, Pietro Ducange, Francesco Marcelloni,
• Abstract要約: Federated Continual Learning (FCL)は、分散データと非定常データによる生涯的、適応的、プライバシ対応学習をサポートすることを目的としている。 この調査は、FCLの包括的で体系的な概要を提供する。
• 参考スコア（独自算出の注目度）: 1.1724565818034947
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated Learning (FL) enables collaborative and privacy-preserving model training across distributed clients, but most existing FL systems implicitly assume data stationarity. In real-world settings-such as healthcare, industrial IoT (IIOT), cybersecurity, and smart cities-data streams are inherently non-stationary, leading classical FL methods to suffer from performance degradation, instability, and catastrophic forgetting. Continual Learning (CL) addresses learning under evolving data distributions but has been largely studied in centralized settings, overlooking key constraints of federated systems, including privacy, limited communication, and client heterogeneity. Federated Continual Learning (FCL) emerges at the intersection of FL and CL, aiming to support lifelong, adaptive, and privacy-aware learning over distributed and non-stationary data. This survey provides a comprehensive and systematic overview of FCL. We first present a formal definition of the FCL problem and clarify its distinctive characteristics. We then analyze the limitations of classical FL under non-stationary conditions, highlighting how CL principles support long-term adaptation. To organize the rapidly growing literature, we propose a multi-dimensional taxonomy of FCL approaches. Furthermore, we review representative application domains and data modalities, summarize commonly used evaluation metrics, and discuss experimental perspectives for assessing long-term performance and forgetting. Finally, we highlight key open challenges, including handling extreme heterogeneity under temporal drift, designing scalable and privacy-preserving memory mechanisms, and establishing standardized benchmarks. This survey aims to serve as a reference and a roadmap for advancing FCL toward robust and deployable real-world systems.
• Abstract（参考訳）: Federated Learning (FL)は、分散クライアント間の協調的およびプライバシ保護モデルトレーニングを可能にするが、既存のFLシステムはデータ定常性を暗黙的に仮定する。 医療、産業用IoT(IIOT)、サイバーセキュリティ、スマートシティデータストリームといった現実の環境では、本質的には非定常的であり、古典的なFLメソッドはパフォーマンスの劣化、不安定性、破滅的な忘れ込みに悩まされている。 継続学習(CL)は、進化するデータ分散下での学習に対処するが、主に集中的な設定で研究され、プライバシ、限られた通信、クライアントの不均一性といったフェデレーションシステムの重要な制約を見越している。 Federated Continual Learning (FCL)は、FLとCLの交差点に現れ、分散データと非定常データによる生涯的、適応的、プライバシ対応学習をサポートする。 この調査は、FCLの包括的で体系的な概要を提供する。 まず、FCL問題の形式的定義を示し、その特徴を明らかにする。 次に、非定常条件下での古典的FLの限界を分析し、CLの原理が長期適応をどのようにサポートするかを明らかにする。 急成長する文献を整理するために,FCLアプローチの多次元分類法を提案する。 さらに、代表的アプリケーションドメインとデータモダリティをレビューし、一般的に使用されている評価指標を要約し、長期的性能評価と忘れることに関する実験的視点について議論する。 最後に、時間的ドリフトの下で極端な不均一性を扱うこと、スケーラブルでプライバシを保存するメモリ機構を設計すること、標準化されたベンチマークを確立することなど、主要なオープンな課題を強調します。 この調査は、FCLを堅牢でデプロイ可能な現実世界システムへ進めるためのリファレンスとロードマップとして機能することを目的としている。

関連論文リスト

• LibContinual: A Comprehensive Library towards Realistic Continual Learning [62.34449396069085]
  継続的学習(CL)における根本的な課題は破滅的な忘れ込みであり、新しいタスクに適応することで、以前のタスクのパフォーマンスが低下する。 現実的なCLの基礎となるプラットフォームとして設計された,包括的で再現可能なライブラリであるLibContinualを提案する。
  論文  参考訳（メタデータ） (2025-12-26T13:59:13Z)
• Subgraph Federated Learning via Spectral Methods [52.40322201034717]
  FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。 我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
  論文  参考訳（メタデータ） (2025-10-29T16:22:32Z)
• Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting [70.83781268763215]
  視覚言語モデル(VLM)は、大規模事前学習を活用することで、多様なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 VLMは、クロスモーダル機能ドリフト、共有アーキテクチャによるパラメータ干渉、ゼロショット機能侵食など、ユニークな課題に直面している。 本調査は、生涯の視覚言語システムを開発する研究者にとって、包括的かつ診断的な基準となることを目的としている。
  論文  参考訳（メタデータ） (2025-08-06T09:03:10Z)
• Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence [0.0]
  フェデレートラーニング(FL)は、分散機械学習の分野における変革的パラダイムとして登場した。 この調査は、フェデレートラーニングの簡潔かつ包括的概要を提供する。
  論文  参考訳（メタデータ） (2025-04-24T16:10:29Z)
• Accurate Forgetting for Heterogeneous Federated Continual Learning [89.08735771893608]
  提案手法は,フェデレーションネットワークにおける従来の知識を選択的に活用する新しい生成再生手法である。 我々は,従来の知識の信頼性を定量化するために,正規化フローモデルに基づく確率的フレームワークを用いる。
  論文  参考訳（メタデータ） (2025-02-20T02:35:17Z)
• Federated Continual Learning: Concepts, Challenges, and Solutions [3.379574469735166]
  Federated Continual Learning (FCL)は、動的環境における協調的なモデルトレーニングのための堅牢なソリューションとして登場した。 この調査は、異質性、モデル安定性、通信オーバーヘッド、プライバシー保護といった重要な課題に焦点を当てている。
  論文  参考訳（メタデータ） (2025-02-10T21:51:02Z)
• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)

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。