論文の概要: Distribution Alignment for One-Shot Federated Learning via Optimal Transport

• arxiv url: http://arxiv.org/abs/2606.16655v1
• Date: Mon, 15 Jun 2026 12:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.553819
• Title: Distribution Alignment for One-Shot Federated Learning via Optimal Transport
• Title（参考訳）: 最適輸送によるワンショットフェデレーション学習のための配電アライメント
• Authors: Daniele Berardini, Vito Paolo Pastore, Vittorio Murino,
• Abstract要約: One-Shot Federated Learning (OSFL)は、クライアントがサーバと一度だけ対話する極端な通信体制に対処する。 我々はOSFLのための幾何対応機能フレームワークSLOT-Alignを紹介する。 SLOT-Alignは、ジョイントドメインとラベルシフトの精度とロバスト性を一貫して改善する。
• 参考スコア（独自算出の注目度）: 9.015020587537864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One-Shot Federated Learning (OSFL) addresses extreme communication regimes in which clients interact with the server only once, amplifying the impact of heterogeneous client data distributions. In particular, the interaction of domain shift and label shift across clients induces misaligned feature representations that cannot be corrected through iterative optimization. Existing OSFL methods rely on distillation, server-side generation or ensemble-based aggregation, but assume aligned representations or address domain and label shift separately. We introduce SLOT-Align (Single-round, Learning-free Optimal Transport Alignment), a geometry-aware feature harmonization framework for OSFL. SLOT-Align uses a shared frozen encoder to extract compact feature statistics, constructs a global reference via Bures-Wasserstein barycenters, and aligns local representations using closed-form geodesic optimal transport maps. The method is computationally efficient and can be combined with existing OSFL pipelines relying on frozen encoders without modifying their training procedures. Extensive experiments across multiple benchmarks, pretrained backbones, and OSFL methods show that SLOT-Align consistently improves accuracy and robustness under joint domain and label shift.
• Abstract（参考訳）: One-Shot Federated Learning (OSFL)は、クライアントがサーバと一度だけ対話する極端な通信体制に対処し、異種クライアントデータ分散の影響を増幅する。 特に、クライアント間のドメインシフトとラベルシフトの相互作用は、反復最適化によって修正できない、不整合した特徴表現を誘導します。 既存のOSFLメソッドは蒸留、サーバサイド生成、アンサンブルベースのアグリゲーションに依存しているが、アラインメントやアドレスドメイン、ラベルのシフトを別々に仮定する。 SLOT-Align (Single-round, Learning-free Optimal Transport Alignment) はOSFLの幾何学的特徴調和フレームワークである。 SLOT-Alignは共有冷凍エンコーダを用いてコンパクトな特徴統計を抽出し、Bures-Wasserstein Barycentersを介してグローバル参照を構築し、閉形式の測地的最適輸送マップを用いて局所表現を調整する。 この方法は計算効率が良く、トレーニング手順を変更することなく、凍結エンコーダに依存する既存のOSFLパイプラインと組み合わせることができる。 複数のベンチマーク、事前訓練されたバックボーン、OSFL手法による大規模な実験により、SLOT-Alignは、ジョイントドメインとラベルシフトの下での精度と堅牢性を一貫して改善することが示された。

関連論文リスト

• BESplit: Bias-Compensated Split Federated Learning with Evidential Aggregation [2.5015678499211407]
  Split Federated Learning (SFL)は、クライアントとサーバ間でモデルを分割することで、プライバシ保護による協調トレーニングを可能にする。 非IIDデータ分布では、SFLは偏りのある最適化と不安定な収束に悩まされることが多い。 非IID効果を軽減するために,SFLの本質的な構造を利用したアーキテクチャ対応フレームワークBESplitを提案する。
  論文  参考訳（メタデータ） (2026-05-17T15:42:33Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Modality Alignment Meets Federated Broadcasting [9.752555511824593]
  フェデレートラーニング(FL)は、ローカルデータを集中化せずに、分散エッジデバイス間でモデルをトレーニングすることで、データのプライバシを保護する強力なアプローチとして登場した。 本稿では,テキストエンコーダをサーバ上に配置し,画像エンコーダをローカルデバイス上で動作させる,モダリティアライメントを利用した新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:30:03Z)
• Decentralized Sporadic Federated Learning: A Unified Algorithmic Framework with Convergence Guarantees [18.24213566328972]
  分散学習計算(DFL)は、(i)モデル更新と(ii)モデルアグリゲーションの両方が中央サーバなしでクライアントによって実行されるFL設定をキャプチャする。 $textttDSpodFL$は、ローカルグラデーションとアグリゲーションプロセスの両方において、$textitsporadicity$という一般的な概念に基づいて構築されたDFL方法論である。 $textttDSpodFL$は、さまざまなシステム設定のベースラインと比較して、改善されたスピードを一貫して達成する。
  論文  参考訳（メタデータ） (2024-02-05T19:02:19Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• 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)
• Efficient Distribution Similarity Identification in Clustered Federated Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
  クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。 既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。 以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
  論文  参考訳（メタデータ） (2022-09-21T17:37:54Z)
• A Bayesian Federated Learning Framework with Online Laplace Approximation [144.7345013348257]
  フェデレートラーニングは、複数のクライアントが協力してグローバルに共有されたモデルを学ぶことを可能にする。 クライアント側とサーバ側の両方の後方部を近似するために,オンラインラプラス近似を用いた新しいFLフレームワークを提案する。 提案手法の利点を実証し,いくつかのベンチマークで最新の結果を得た。
  論文  参考訳（メタデータ） (2021-02-03T08:36:58Z)

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。