論文の概要: Towards Modality-imbalanced Federated Graph Learning: A Data Synthesis-based Approach
- arxiv url: http://arxiv.org/abs/2606.20382v1
- Date: Thu, 18 Jun 2026 15:40:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.955183
- Title: Towards Modality-imbalanced Federated Graph Learning: A Data Synthesis-based Approach
- Title（参考訳）: モダリティ不均衡なフェデレーショングラフ学習に向けて:データ合成に基づくアプローチ
- Authors: Zhengyu Wu, Hongchao Qin, Xunkai Li, Zekai Chen, Rong-Hua Li, Guoren Wang,
- Abstract要約: MultiModal Federated Graph Learning (MM-FGL)は、自然な協調学習パラダイムを提供するが、その実践的展開は2つのモジュラリティ不均衡の粒度に挑戦されている。
我々は、暗黙グラフ対応の潜在意味表現問題として、モダリティ不均衡MM-FGLを定式化する。
3つのコアコンポーネントを統合したFedMGS(Federated Modality-aware Graph Synthesis)を提案する。
- 参考スコア（独自算出の注目度）: 40.58607651570368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MultiModal Federated Graph Learning (MM-FGL) offers a natural collaborative training paradigm, but its practical deployment is challenged by two granularities of modality imbalance. Client-level imbalance occurs when certain clients lack entire modalities, while node-level imbalance occurs when individual nodes exhibit missing visual or textual attributes. While several relevant studies exist, our investigation reveals that they predominantly target graph-agnostic or centralized scenarios, rendering them difficult to adapt directly. To address these challenges, we formalize modality-imbalanced MM-FGL as an implicit graph-aware latent semantic representation synthesis problem. This paradigm recovers missing modal semantics directly within the representation space, thereby maximizing alignment with the original data's semantic distribution and mitigating the high variance induced by missing modalities. To this end, we propose FedMGS (Federated Modality-aware Graph Synthesis), which integrates three core components. The availability-aware graph encoder prevents missing modalities from contaminating local structural propagation. The prototype-guided latent semantic synthesizer establishes cross-client semantic anchors for unavailable modalities. The reliability-calibrated semantic fusion mechanism regulates the impact of recovered latent representations prior to predictive readout. Extensive experiments on four tasks show that FedMGS consistently outperforms competitive baselines with gains up to 17.41% with best efficiency-performance tradeoff.
- Abstract（参考訳）: MultiModal Federated Graph Learning (MM-FGL)は、自然な協調学習パラダイムを提供するが、その実践的展開は2つのモジュラリティ不均衡の粒度に挑戦されている。
クライアントレベルの不均衡は、特定のクライアントが全体モダリティを欠いているときに起こり、ノードレベルの不均衡は、個々のノードが視覚的またはテキスト的属性を欠いているときに起こる。
いくつかの関連する研究があるが、我々の調査はグラフに依存しない、あるいは中央集権的なシナリオを主にターゲットとしており、直接適応することが難しいことを明らかにしている。
これらの課題に対処するため、モダリティ不均衡MM-FGLを暗黙のグラフ対応潜在意味表現問題として定式化する。
このパラダイムは、表現空間内で直接欠落したモーダル意味論を回復し、それによって元のデータのセマンティック分布との整合性を最大化し、欠落したモダリティによって引き起こされる高分散を緩和する。
そこで我々は,3つのコアコンポーネントを統合したFedMGS (Federated Modality-aware Graph Synthesis)を提案する。
アベイラビリティ対応グラフエンコーダは、欠落したモダリティが局所的な構造伝播を汚染することを防止する。
プロトタイプ誘導潜在セマンティックシンセサイザーは、利用できないモダリティのためのクロスクライアントセマンティックアンカーを確立する。
信頼性キャリブレーションされたセマンティックフュージョン機構は、予測読み出しの前に復元された潜在表現の影響を調節する。
4つのタスクに関する大規模な実験により、FedMGSは競争ベースラインを一貫して上回り、最高の効率と性能のトレードオフで17.41%まで上昇した。
関連論文リスト
- PRISM: Topology-Aware Cross-Modal Imputation for Modality-Deficient Federated Graph Learning [54.55726437469762]
textbfProactive textbfRetrievalおよび textbfImputation via textbfStructural textbfMeta-prompting を提案する。
実験の結果、PRISMはモダリティに欠けるクライアントを一貫して改善し、textbf4.48% で最先端のベースラインを上回った。
論文 参考訳（メタデータ） (2026-06-08T10:08:52Z) - Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。
本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-11T15:49:08Z) - Robust Multimodal Recommendation via Graph Retrieval-Enhanced Modality Completion [71.20734649881258]
実世界のマルチモーダルデータセットは、センサーの故障、アノテーションの不足、プライバシーの制約によって、しばしばモダリティの不完全性に悩まされる。
効果的な解決策の1つはモダリティ補完であり、下流タスクのためのモダリティ完全グラフを提供するために欠落した特徴を再構成する。
本稿では,これらの制限を克服するグラフ検索拡張モード補完フレームワークであるGRE-MCを提案する。
論文 参考訳（メタデータ） (2026-05-01T13:50:52Z) - OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文 参考訳（メタデータ） (2026-02-04T02:25:40Z) - Rethinking Federated Graph Foundation Models: A Graph-Language Alignment-based Approach [8.517604507672262]
フェデレーショングラフ基礎モデル(FedGFMs)の最近の研究は、グラフ基礎モデルを訓練するために集中的なデータストレージを持つという理想的かつ持続不可能な仮定を破っている。
ベクトル量子化されたバックボーンを経由した離散トークン空間上の一般化可能な知識が、量子化過程中に不可逆的な知識損失に悩まされるという研究は、現存する。
論文 参考訳（メタデータ） (2026-01-29T07:50:00Z) - Beyond Simple Fusion: Adaptive Gated Fusion for Robust Multimodal Sentiment Analysis [27.11612547025828]
textbfAdaptive textbfGated textbfFusion textbfNetwork。
CMU-MOSIとCMU-MOSEIの実験により、AGFNは精度において強いベースラインを著しく上回り、頑健なパフォーマンスを持つ微妙な感情を効果的に識別することを示した。
論文 参考訳（メタデータ） (2025-10-02T05:05:41Z) - MIDAS: Misalignment-based Data Augmentation Strategy for Imbalanced Multimodal Learning [14.06705718861471]
マルチモーダルモデルは、しばしば支配的なモダリティに過度に頼り、最適な性能を達成できなかった。
提案するMIDASは,意味的に整合性のないクロスモーダル情報を用いて,ミスアライメントされたサンプルを生成する新しいデータ拡張戦略である。
複数のマルチモーダル分類ベンチマークの実験により、MIDASはモダリティの不均衡に対処する上で、関連するベースラインを著しく上回っていることが示された。
論文 参考訳（メタデータ） (2025-09-30T06:13:17Z) - Reducing Unimodal Bias in Multi-Modal Semantic Segmentation with Multi-Scale Functional Entropy Regularization [66.10528870853324]
高精度な予測タスクのための新しいセンサからのマルチモーダル入力の再利用とバランスが重要である。
1つの大きな制限は、マルチモーダルフレームワークが容易に学習可能なモダリティに過度に依存する傾向があることである。
本稿では,機能的エントロピーに基づくプラグ・アンド・プレイ正規化項を提案する。
論文 参考訳（メタデータ） (2025-05-10T12:58:15Z) - Balancing Graph Embedding Smoothness in Self-Supervised Learning via Information-Theoretic Decomposition [3.330229314824913]
グラフにおける自己教師付き学習(SSL)は特に、プリテキストタスクを備えたグラフニューラルネットワーク(GNN)の利用において大きな注目を集めている。
既存の手法では,グラフ埋め込みスムーズ性によって駆動されるスペクトルの両端の位置を,各端が特定の下流タスクのアウトパフォーマンスに対応していることを示す。
フレームワークであるBSGは、グラフベースのSSLの表現品質を補うために設計された新しい損失関数を導入した。
論文 参考訳（メタデータ） (2025-04-16T12:09:56Z) - Supercharging Imbalanced Data Learning With Energy-based Contrastive
Representation Transfer [72.5190560787569]
コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。
本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。
これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
論文 参考訳（メタデータ） (2020-11-25T00:13:11Z)
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。