Fugu-MT 論文翻訳(概要): pFedUL: Layer-Aware Federated Unlearning for Personalized Federated Learning

論文の概要: pFedUL: Layer-Aware Federated Unlearning for Personalized Federated Learning

arxiv url: http://arxiv.org/abs/2606.16304v1
Date: Mon, 15 Jun 2026 07:07:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 18:36:05.033297
Title: pFedUL: Layer-Aware Federated Unlearning for Personalized Federated Learning
Title（参考訳）: pFedUL: 個人化フェデレーション学習のための階層型フェデレーション・アンラーニング
Authors: Zhuodong Liu, Xiangyu Li, Zhihao Zhang,
Abstract要約: フェデレーテッド・アンラーニング(FU)は、フェデレーテッド・ラーニング(FL)モデルから特定のコントリビューションを除去することを可能にする。既存のほとんどのメソッドは、すべてのクライアントが単一のグローバルモデルを共有するFedAvgパラダイムのために設計されています。 pFLパラダイムの下でFUを定式化し、共有層上の未学習保存と残クライアントのパーソナライズの間の緊張を識別する。
参考スコア（独自算出の注目度）: 3.8750005648250316
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated unlearning (FU) enables the removal of specific data contributions from federated learning (FL) models to comply with regulations such as the General Data Protection Regulation (GDPR). However, most existing FU methods are designed for the FedAvg paradigm, where all clients share a single global model. In practice, personalized federated learning (pFL) methods such as FedPer, FedRep, Ditto, and FedBN have become widely adopted due to their superior handling of non-IID data. These methods decompose the model into shared global layers and client-specific personalized layers, fundamentally altering the semantics of unlearning, yet this setting has received little attention. We formalize FU under the pFL paradigm, identifying a tension between unlearning completeness on shared layers and personalization preservation for remaining clients. We then propose pFedUL, a layer-aware selective unlearning framework comprising three components: (1) gradient-based layer-wise contribution attribution that separately quantifies the target client's influence on shared and personalized parameters, (2) adaptive selective unlearning that applies differentiated forgetting strategies across layer types, and (3) a lightweight recalibration protocol enabling remaining clients to restore personalization with minimal overhead. We further introduce two new metrics, Personalization Preservation Score (PPS) and Cross-client Fairness Index (CFI), to evaluate pFL-specific unlearning quality. Experiments on CIFAR-10, CIFAR-100, and FEMNIST under varying non-IID settings indicate that pFedUL achieves unlearning effectiveness comparable to full retraining while maintaining an average of 97.3\% personalized accuracy for remaining clients. Compared with six state-of-the-art FU methods adapted to the pFL setting, pFedUL consistently achieves superior personalization preservation.
Abstract（参考訳）: フェデレーテッド・アンラーニング(FU)は、一般データ保護規則(GDPR)などの規則に従うために、フェデレーテッド・ラーニング(FL)モデルから特定のデータコントリビューションを除去することを可能にする。しかしながら、既存のFUメソッドのほとんどは、すべてのクライアントが単一のグローバルモデルを共有するFedAvgパラダイムのために設計されている。実際には、FedPer、FedRep、Ditto、FedBNといったパーソナライズド・フェデレーション・ラーニング(pFL)手法が広く採用されている。これらの方法は、モデルを共有グローバルレイヤとクライアント固有のパーソナライズされたレイヤに分解し、アンラーニングのセマンティクスを根本的に変更するが、この設定はほとんど注目されていない。 pFLパラダイムの下でFUを形式化し、共有層上での未学習完全性と、残りのクライアントのパーソナライズ保存との間の緊張を識別する。 pFedULは,(1)共有パラメータとパーソナライズパラメータに対するクライアントの影響を個別に評価するグラデーションベースのレイヤワイドコントリビューション属性,(2)レイヤタイプ間で異なる忘れ方策を適用した適応型選択アンラーニング,(3)残りのクライアントが最小限のオーバーヘッドでパーソナライズを復元できる軽量なリカレーションプロトコル,の3つのコンポーネントからなる層対応選択アンラーニングフレームワークを提案する。さらに、Personalization Preservation Score(PPS)とCFI(Cross-client Fairness Index)という2つの新しい指標を導入し、pFL固有の未学習品質を評価する。 CIFAR-10、CIFAR-100、FEMNISTの様々な非IID設定による実験では、pFedULは、残りのクライアントに対して平均97.3\%のパーソナライズされた精度を維持しながら、完全なリトレーニングに匹敵する未学習の有効性を達成している。 pFL設定に適応した6つの最先端FU法と比較して,pFedULは優れたパーソナライゼーション保存を実現している。

関連論文リスト

Separate Aggregation of Split Network for Personalized Federated Learning [0.9668407688201359]
フェデレーション学習は、不均一なクライアントデータ分散の下で大幅に劣化する可能性がある。我々は、パーソナライズされたフェデレーション学習フレームワークであるPGFedSplitを提案する。 Fashion MNIST、CIFAR 10、CIFAR 100、Tiny ImageNetの実験では、アートPFL手法の状態を一貫した改善が示されている。
論文参考訳（メタデータ） (2026-05-26T05:44:30Z)
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)
FedPPA: Progressive Parameter Alignment for Personalized Federated Learning [0.9931624906346306]
フェデレートラーニング(FL)は、複数のクライアントがデータを共有せずに協調的にモデルをトレーニングできる、分散されたプライバシ保護機械学習パラダイムとして設計されている。実世界のシナリオでは、クライアントは不均一な計算資源を持ち、非独立で同一の分散データ(非IID)を保持し、トレーニング中に重大な課題を生じさせる。本稿では,クライアント間の共通レイヤの重み付けとグローバルモデルの重み付けを段階的に整合させるプログレッシブアライメント(FedPPA)を提案する。 MNIST、FMNIST、CIFAR-10を含む3つの画像分類データセットの実験は、FedPPAが既存のFLアルゴリズムより一貫して優れていることを示した。
論文参考訳（メタデータ） (2025-10-16T14:03:05Z)
Whom to Trust? Adaptive Collaboration in Personalized Federated Learning [11.923664505655026]
共同作業における適応性ときめ細かな信頼は、個々の事例のレベルで、フェデレートされた半教師付き学習において達成可能であることを示す。 FEDMOSAICは、顧客による個人別合意と信頼度に基づいて、その損失と擬似ラベルへの貢献を重み付けするパーソナライズされた協調学習手法である。
論文参考訳（メタデータ） (2025-06-30T20:53:01Z)
PPFL: A Personalized Federated Learning Framework for Heterogeneous Population [27.93326556470552]
パーソナライゼーションは個人の好みを特徴づけることを目的としており、多くの分野に広く適用されている。従来のパーソナライズされた方法は中央集権的な方法で動作し、個々の情報をプールする際の生データを公開する可能性がある。我々は,人口パーソナライズド・フェデレーション・ラーニングのパラダイムの中で,フレキシブルかつ解釈可能なパーソナライズド・フレームワークを開発する。
論文参考訳（メタデータ） (2023-10-22T16:06:27Z)
Learning to Specialize: Joint Gating-Expert Training for Adaptive MoEs in Decentralized Settings [41.98633628526484]
Mixture-of-Experts (MoEs)は、コンポーネントのサブセットを動的に活性化することでスケーラビリティを実現する。推論コストとデータヘテロジニティにより、ゲーティング関数と専門家の協調トレーニングがドメイン固有の専門知識を割り当てる方法について検討する。
論文参考訳（メタデータ） (2023-06-14T15:47:52Z)
Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文参考訳（メタデータ） (2023-05-01T20:04:46Z)
Personalized Federated Learning on Long-Tailed Data via Adversarial Feature Augmentation [24.679535905451758]
PFLは、プライバシを保存する方法で、すべてのクライアントの知識に基づいて、各クライアントのパーソナライズされたモデルを学ぶことを目的としている。既存のPFL法では、全てのクライアントにわたる基礎となるグローバルデータが、ロングテール分布を考慮せずに均一に分散されていると仮定している。 PFLにおけるこの共同問題に対処するために,FedAFA(Federated Learning with Adversarial Feature Augmentation)を提案する。
論文参考訳（メタデータ） (2023-03-27T13:00:20Z)
Subspace based Federated Unlearning [75.90552823500633]
フェデレート・アンラーニング(FL)は、ユーザが忘れられる権利を満たすために、特定のターゲットクライアントのFLへの貢献を取り除くことを目的としている。既存のフェデレートされた未学習アルゴリズムでは、パラメータの更新履歴をサーバに格納する必要がある。そこで我々は,SFUと呼ばれる,単純なyet効率のサブスペースに基づくフェデレーションアンラーニング手法を提案する。
論文参考訳（メタデータ） (2023-02-24T04:29:44Z)
FedABC: Targeting Fair Competition in Personalized Federated Learning [76.9646903596757]
フェデレートラーニングは、クライアントのローカルプライベートデータにアクセスすることなく、モデルを協調的にトレーニングすることを目的としている。我々はFedABCと呼ばれるバイナリ分類によるFederated Averagingと呼ばれる新規で汎用的なPFLフレームワークを提案する。特に、各クライアントに1対1のトレーニング戦略を採用して、クラス間の不公平な競争を軽減する。
論文参考訳（メタデータ） (2023-02-15T03:42:59Z)
Toward Understanding the Influence of Individual Clients in Federated Learning [52.07734799278535]
フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。 em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
論文参考訳（メタデータ） (2020-12-20T14:34:36Z)

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。