論文の概要: C2FL: Clustered Continual Federated Learning under Spatial and Temporal Drift

• arxiv url: http://arxiv.org/abs/2606.18003v1
• Date: Tue, 16 Jun 2026 14:50:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.494751
• Title: C2FL: Clustered Continual Federated Learning under Spatial and Temporal Drift
• Title（参考訳）: C2FL:空間的・時間的ドリフト下における連続的フェデレーション学習のクラスタ化
• Authors: Davide Domini, Gianluca Aguzzi, Lorenzo Pellegrini, Mirko Viroli, Lukas Esterle,
• Abstract要約: 本研究では,ノードが空間クラスタリングによって学習グループに自己組織化される,完全に分散されたフェデレートラーニング(FL)手法を提案する。 本研究では,空間的変化と時間的変化を体系的に再現する合成実験について検討した。
• 参考スコア（独自算出の注目度）: 1.6332363167294173
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Collective Adaptive Systems (CAS) increasingly rely on machine learning to let each node learn from locally sensed data, aligning its behavior with the surrounding environment. Scaling this intelligence, however, raises fundamental challenges: sensed data is often privacy-sensitive, preventing centralized collection; nodes are mobile, traversing regions where nearby nodes perceive similar phenomena while distant ones observe radically different conditions, creating natural spatial clusters; and these distributions evolve over time due to mobility, introducing temporal drift that makes local models progressively stale. These dynamics arise across domains - vehicular sensing, drone-based monitoring, smartphone crowdsensing - yet the interplay of privacy, spatial heterogeneity, and temporal drift severely undermines conventional learning strategies. Therefore, we propose C2FL, a fully distributed Federated Learning (FL) approach where nodes self-organize into learning groups through spatial clustering, reflecting the geographic structure of the environment. To counteract temporal drift, each node combines experience replay with a dwell-time-aware adaptive averaging step, progressively incorporating the regional consensus as it remains longer within the same area, while preserving previously acquired knowledge under evolving distributions. We evaluate our approach on synthetic experiments that systematically reproduce spatial and temporal shifts, showing that standard federated strategies degrade significantly under these conditions and that our method restores robust collective adaptation.
• Abstract（参考訳）: 集団適応システム(CAS)は、各ノードが局所的に知覚されたデータから学習し、その振る舞いを周囲の環境と整合させるために、機械学習にますます依存している。 しかし、このインテリジェンスをスケールすることは、しばしばプライバシーに敏感であり、集中収集を阻止する、ノードが移動している、近くのノードが同様の現象を知覚する地域を横断する、遠くのノードが根本的に異なる条件を観察し、自然な空間的クラスタを作る、といった基本的な課題を提起する。 これらのダイナミクスは、車体感知、ドローンによる監視、スマートフォンの群集センシング、しかしながらプライバシの相互作用、空間的不均一性、時間的ドリフトといった領域にまたがって発生し、従来の学習戦略を著しく損なう。 そこで本研究では,環境の地理的構造を反映して,ノードを空間的クラスタリングによって学習グループに自己組織化する,完全に分散されたフェデレートラーニング(FL)手法であるC2FLを提案する。 時間的ドリフトに対処するため、各ノードは経験的リプレイと経験的アダプティブ平均化ステップを組み合わせ、地域的コンセンサスを段階的に組み込むとともに、進化する分布の下で以前取得した知識を保存する。 我々は,空間的・時間的変化を体系的に再現する合成実験へのアプローチを評価し,これらの条件下で標準連合戦略が著しく低下し,ロバストな集団適応が復元されることを示した。

関連論文リスト

• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• Autonomous Drift Learning in Data Streams: A Unified Perspective [21.166882700131293]
  自律的な学習システムを追求する上で、データ分散とモデル行動が一定であるという前提は、基本的には持続不可能である。 本稿では,システムの運用状態に基づいて分野を体系化する新しい3次元分類法を提案する。 ドリフト適応,連続学習,時間的一般化の断片的パラダイムをブリッジすることで,自己進化型インテリジェントシステム構築のロードマップを概説する。
  論文  参考訳（メタデータ） (2026-05-02T07:11:38Z)
• Evolving Many Worlds: Towards Open-Ended Discovery in Petri Dish NCA via Population-Based Training [46.01525213637453]
  PBT-NCAはペトリディッシュニューラルセルラーオートマタの個体群を進化させるメタ進化アルゴリズムである。 PBT-NCAは、モノカルチャーとデッドステートを積極的にペナルティ化することにより、世界規模で秩序づけられたり、全世界的にランダムにされたりしない、効果的な複雑さの状態を維持できる。
  論文  参考訳（メタデータ） (2026-04-13T09:56:22Z)
• Attention-Guided Deep Adversarial Temporal Subspace Clustering (A-DATSC) Model for multivariate spatiotemporal data [0.16206783799607727]
  サブスペースクラスタリングモデルは、融雪検出海氷追跡などの応用に不可欠である。 グラフアテンションに基づく自己表現型ネットワークは、局所的な空間的関係、グローバルな依存関係、短距離と長距離の両方をキャプチャする。 3つの実世界のデータセットによる実験により、A-SCSCは最先端の深層宇宙クラスタリングモデルと比較してかなり優れたクラスタリング性能を達成している。
  論文  参考訳（メタデータ） (2025-10-20T18:38:26Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• HSTFL: A Heterogeneous Federated Learning Framework for Misaligned Spatiotemporal Forecasting [6.00534246138727]
  異種時空間学習(HSTFL)フレームワークを提案し、複数のクライアントが異なるドメインからの時系列データを活用できるようにする。 我々は,HSTFLが推論攻撃に効果的に抵抗するだけでなく,様々なベースラインに対して顕著な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2024-09-27T06:51:11Z)
• FedASTA: Federated adaptive spatial-temporal attention for traffic flow prediction [30.346763969306398]
  モバイルデバイスとIoT(Internet of Things)デバイスは、今日では大量の異種空間時間データを生成している。 プライバシーの懸念の下で空間的時間的ダイナミクスをモデル化することは依然として難しい問題である。 動的空間時間関係をモデル化するための新しいFedASTAフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-21T11:44:07Z)
• Rethinking Sensors Modeling: Hierarchical Information Enhanced Traffic Forecasting [47.1051445072085]
  我々は、センサーの依存性モデリングを2つの階層(地域とグローバル)から再考する。 我々は,センサ間のグローバルな依存性を反映するグローバルノードとして,代表的パターンと共通時間パターンを生成する。 ノード表現の現実性の一般化を追求するため、物理データ空間におけるノードとグローバルノードの伝播にMeta GCNを組み込んだ。
  論文  参考訳（メタデータ） (2023-09-20T13:08:34Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)

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。