論文の概要: Federated Learning for Feature Generalization with Convex Constraints

• arxiv url: http://arxiv.org/abs/2606.14416v1
• Date: Fri, 12 Jun 2026 12:50:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.902344
• Title: Federated Learning for Feature Generalization with Convex Constraints
• Title（参考訳）: 凸制約を考慮した特徴一般化のためのフェデレートラーニング
• Authors: Dongwon Kim, Donghee Kim, Sung Kuk Shyn, Kwangsu Kim,
• Abstract要約: フェデレートラーニング(FL)は、異種クライアントデータによる一般化に苦慮することが多い。 我々は,グローバルモデルのパラメータ強度に基づいて,更新サイズを適応的に変調するFedCONSTを提案する。
• 参考スコア（独自算出の注目度）: 9.335487623272604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) often struggles with generalization due to heterogeneous client data. Local models are prone to overfitting their local data distributions, and even transferable features can be distorted during aggregation. To address these challenges, we propose FedCONST, an approach that adaptively modulates update magnitudes based on the parameter strength of the global model. This prevents over-emphasizing well-learned parameters while reinforcing underdeveloped ones. Specifically, FedCONST employs linear convex constraints to ensure training stability and preserve locally learned generalization capabilities during aggregation. A Gradient Signal to Noise Ratio (GSNR) analysis further validates the effectiveness of FedCONST in enhancing feature transferability and robustness. As a result, FedCONST effectively aligns local and global objectives, mitigating overfitting and promoting stronger generalization across diverse FL environments, achieving state-of-the-art performance.
• Abstract（参考訳）: フェデレートラーニング(FL)は、異種クライアントデータによる一般化に苦慮することが多い。 ローカルモデルは、ローカルなデータ分散に過度に適合する傾向があり、転送可能な機能も集約時に歪むことができる。 これらの課題に対処するために,グローバルモデルのパラメータ強度に基づいて,更新サイズを適応的に変調するFedCONSTを提案する。 これにより、未発達のパラメータを強化しながら、十分に学習されたパラメータを過度に強調することができない。 具体的には、FedCONSTは、訓練安定性を確保し、集約中に局所的に学習された一般化能力を維持するために線形凸制約を用いる。 グラディエント・シグナル・トゥ・ノイズ比(GSNR)解析により,FedCONSTが特徴伝達性とロバスト性を高める効果がさらに検証された。 その結果、FedCONSTは、局所的およびグローバルな目的を効果的に整合させ、様々なFL環境における過度な適合を緩和し、より強力な一般化を促進し、最先端のパフォーマンスを達成する。

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)
• Local Gradient Regulation Stabilizes Federated Learning under Client Heterogeneity [41.890949680958805]
  フェデレートラーニング(FL)は、生データを共有せずに、分散クライアント間で協調的なモデルトレーニングを可能にする。 クライアントは、クライアントサイドの最適化中に局所的な勾配のダイナミクスを歪ませることでFLを不安定にする。 我々は、追加の通信オーバーヘッドを発生させることなく、局所的なグラデーションコントリビューションを規制する一般的なクライアント側視点を開発する。
  論文  参考訳（メタデータ） (2026-01-07T04:58:18Z)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• An Architecture Built for Federated Learning: Addressing Data Heterogeneity through Adaptive Normalization-Free Feature Recalibration [0.3481075494213406]
  We propose Adaptive Normalization-free Feature Recalibration (ANFR) to combat heterogeneous data in Federated Learning (FL)。 ANFRは、ウェイト標準化とチャネルアテンションを組み合わせて、特徴マップの学習可能なスケーリング要素を生成する。 実験により、ANFRは様々なアグリゲーション法で確立されたベースラインを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-02T20:16:56Z)
• FedImpro: Measuring and Improving Client Update in Federated Learning [77.68805026788836]
  フェデレートラーニング(FL)モデルは、不均一なデータによって引き起こされるクライアントのドリフトを経験することが多い。 我々は、クライアントのドリフトに対する別の視点を示し、改善されたローカルモデルを生成することにより、それを緩和することを目指している。
  論文  参考訳（メタデータ） (2024-02-10T18:14:57Z)
• FedLoGe: Joint Local and Generic Federated Learning under Long-tailed Data [46.29190753993415]
  Federated Long-Tailed Learning (Fed-LT)は、分散化されたローカルクライアントから収集されたデータが、グローバルに普及しているロングテール分布を示すパラダイムである。 本稿では、Fed-LT(FedLoGe)におけるFederated Local and Generic Model Training(FedLoGe)というアプローチを紹介し、ローカルモデルとジェネリックモデルの両方のパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-01-17T05:04:33Z)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)
• Fine-tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning [86.59588262014456]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。 サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。 私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
  論文  参考訳（メタデータ） (2022-03-17T11:18:17Z)

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。