論文の概要: Beyond Weights and Gradients: A Taxonomy of Federated Learning Messages

• arxiv url: http://arxiv.org/abs/2606.16891v1
• Date: Mon, 15 Jun 2026 16:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.747424
• Title: Beyond Weights and Gradients: A Taxonomy of Federated Learning Messages
• Title（参考訳）: ウェイトとグラディエンスを超えて:フェデレートラーニングメッセージの分類
• Authors: Alvaro Javier Vargas Guerrero, Xinguang Wang, Quang Manh Doan, Guy Nagels,
• Abstract要約: 本稿では,ユーティリティとプライバシの両方を考慮に入れたフェデレーションメッセージの数学的定義を提案する。 本稿では,これらの交換をモデル構造,統計要約,データ条件表現の3つのカテゴリに分類する。
• 参考スコア（独自算出の注目度）: 0.07636080858421673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning is rapidly evolving beyond the exchange of traditional model weights and gradients, yet existing definitions fail to capture the full scope of modern payloads like synthetic data and federated analytics. This paper addresses the gap by proposing a formal mathematical definition of a federated message that accounts for both utility and privacy. We introduce a taxonomy that organizes these exchanges into three categories: model structures, statistical summaries, and data-conditioned representations. By evaluating these groups based on computational demands, communication costs, and privacy risks, we provide a clearer understanding of the trade-offs involved in decentralized training. Our review of 202 recent publications highlights a significant shift since 2021 toward diverse messaging paradigms, signaling a move away from standard deep learning updates toward more specialized information sharing. This framework provides a structured path for future research to optimize federated systems for varying hardware and security requirements.
• Abstract（参考訳）: フェデレーテッド・ラーニングは従来のモデルウェイトと勾配の交換を超えて急速に進化しているが、既存の定義では合成データやフェデレーテッド・アナリティクスといった現代のペイロードの完全なスコープを捉えていない。 本稿では,ユーティリティとプライバシの両方を考慮に入れたフェデレーションメッセージの数学的定義を形式的に提案することで,このギャップに対処する。 本稿では,これらの交換をモデル構造,統計要約,データ条件表現の3つのカテゴリに分類する。 計算要求、通信コスト、プライバシーリスクに基づいてこれらのグループを評価し、分散トレーニングに関わるトレードオフをより明確に理解する。 202の最近の論文のレビューでは、2021年以降のさまざまなメッセージングパラダイムへの大きなシフトが強調されており、標準的なディープラーニングのアップデートから、より専門的な情報共有への移行を示唆しています。 このフレームワークは、様々なハードウェアとセキュリティ要件に対してフェデレートされたシステムを最適化するための将来の研究のための構造化されたパスを提供する。

関連論文リスト

• Meta-Learning Transformers to Improve In-Context Generalization [8.694999451321571]
  インコンテキスト学習は、入力プロンプトのみに基づいて、トランスフォーマーモデルを新しいタスクに一般化することを可能にする。 既存のトレーニングパラダイムは一般的に、保存にコストがかかる大規模で非構造的なデータセットに依存します。 我々は、複数の、小規模、ドメイン固有のデータセットのコレクションを活用する、代替的なトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-07T14:02:22Z)
• Graph Foundation Models: A Comprehensive Survey [66.74249119139661]
  Graph Foundation Models (GFMs)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目指している。 この調査は、GFMの概要を包括的に提供し、モジュラーフレームワークの下での多様な取り組みを統合する。 GFMは構造化データに対するオープンエンド推論の基盤となる。
  論文  参考訳（メタデータ） (2025-05-21T05:08:00Z)
• FedRSClip: Federated Learning for Remote Sensing Scene Classification Using Vision-Language Models [23.830133838392964]
  本稿では,VLM,特にCLIPに基づくリモートセンシング画像分類のための最初のフェデレーション学習フレームワークであるFedRSCLIPを提案する。 FedRSCLIPは、Prompt Learningを導入することで、フェデレーション環境におけるデータ不均一性と大規模モデル伝送の課題に対処する。 提案モデルの有効性を検証するため,既存の3つのリモートセンシング画像分類データセットに基づいてFed-RSICデータセットを構築した。
  論文  参考訳（メタデータ） (2025-01-05T07:10:27Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Investigating Graph Structure Information for Entity Alignment with Dangling Cases [31.779386064600956]
  エンティティアライメントは、異なる知識グラフ(KG)における等価なエンティティを見つけることを目的としている。 Weakly-optimal Graph Contrastive Learning (WOGCL) と呼ばれる新しいエンティティアライメントフレームワークを提案する。 We show that WOGCL are outperforms the current-of-the-art method with pure structure information in traditional (relaxed) and dangling settings。
  論文  参考訳（メタデータ） (2023-04-10T17:24:43Z)
• Meta Knowledge Condensation for Federated Learning [65.20774786251683]
  既存のフェデレートされた学習パラダイムは通常、より強力なモデルを達成するために、中央の解決器で分散モデルを広範囲に交換する。 これにより、特にデータ分散が不均一である場合、サーバと複数のクライアントの間で深刻な通信負荷が発生します。 既存のパラダイムとは違って,フェデレート学習におけるコミュニケーションコストを大幅に削減する新たな視点を導入する。
  論文  参考訳（メタデータ） (2022-09-29T15:07:37Z)
• CDKT-FL: Cross-Device Knowledge Transfer using Proxy Dataset in Federated Learning [27.84845136697669]
  我々は,グローバルモデルとローカルモデル間の知識伝達の程度を研究するために,新しい知識蒸留に基づくアプローチを開発する。 提案手法は局所モデルの大幅な高速化と高いパーソナライズ性能を実現する。
  論文  参考訳（メタデータ） (2022-04-04T14:49:19Z)

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。