Fugu-MT 論文翻訳(概要): FedReLa: Imbalanced Federated Learning via Re-Labeling

論文の概要: FedReLa: Imbalanced Federated Learning via Re-Labeling

arxiv url: http://arxiv.org/abs/2606.26037v1
Date: Wed, 24 Jun 2026 17:13:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 17:05:30.400658
Title: FedReLa: Imbalanced Federated Learning via Re-Labeling
Title（参考訳）: FedReLa: 再ラベルによる不均衡なフェデレーション学習
Abstract要約: フェデレーテッド・ラーニングは、プライバシ保護を伴う分散モデルトレーニングにおける最優先のアプローチとして登場した。グローバルクラス分布の非依存性は、データレベルの手法に重大な課題をもたらす。我々は、フェデレート学習におけるデータ不均一性とクラス不均衡の共存に対処する新しいデータレベルアプローチであるFedReLaを提案する。
参考スコア（独自算出の注目度）: 47.73320550761897
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Federated learning has emerged as the foremost approach for decentralized model training with privacy preservation. The global class imbalance and cross-client data heterogeneity naturally coexist, and the mismatch between local and global imbalances exacerbates the performance degradation of the aggregated model. The agnosticism of global class distribution poses significant challenges for data-level methods, especially under extreme conditions with severe class absence across clients. In this paper, we propose FedReLa, a novel data-level approach that tackles the coexistence of data heterogeneity and class imbalance in federated learning. By re-labeling samples with a feature-dependent label re-allocator, FedReLa corrects biased global decision boundaries without requiring knowledge of the global class distribution. This modular, model-agnostic approach can be integrated with algorithmic methods to deliver consistent improvements without additional communication overhead. Through extensive experiments, our method significantly improves the accuracy of minority classes and the overall accuracy on stepwise-imbalanced and long-tailed datasets, outperforming the previous state of the art.
Abstract（参考訳）: フェデレーテッド・ラーニングは、プライバシ保護を伴う分散モデルトレーニングにおける最優先のアプローチとして登場した。グローバルクラス不均衡とクロスクライアントデータ不均一性は自然に共存し、局所不均衡とグローバル不均衡のミスマッチは集約されたモデルの性能劣化を悪化させる。グローバルなクラス分散の不可知性は、特にクライアント間で厳しいクラス不在の極端な条件下で、データレベルのメソッドに重大な課題をもたらす。本稿では,フェデレート学習におけるデータ不均一性とクラス不均衡の共存に対処する新しいデータレベルアプローチであるFedReLaを提案する。 FedReLaは、機能依存のラベル再割り当てでサンプルを再ラベルすることで、グローバルなクラス分布の知識を必要とせずに、バイアスのあるグローバルな決定境界を修正します。このモジュラーでモデルに依存しないアプローチは、追加の通信オーバーヘッドなしに一貫した改善を提供するアルゴリズム手法と統合することができる。大規模な実験を通じて,本手法は,少数クラスの精度と,段階的に不均衡なデータセットと長い尾を持つデータセットの全体的な精度を大幅に向上させ,従来の最先端のデータセットよりも優れていた。

関連論文リスト

Federated Active Learning Under Extreme Non-IID and Global Class Imbalance [41.48995094786491]
フェデレートされたアクティブラーニング(FAL)は、プライバシー制約の下でアノテーションコストを削減しようとしている。適応型クラスフェアFALフレームワークであるFairFALを提案する。 5つのベンチマークの実験では、FairFALは最先端のアプローチを一貫して上回っている。
論文参考訳（メタデータ） (2026-03-11T02:22:10Z)
Choice Outweighs Effort: Facilitating Complementary Knowledge Fusion in Federated Learning via Re-calibration and Merit-discrimination [25.3144483276258]
FedMateは二元最適化を実装する方法である。サーバ側では,サンプルサイズ,現在のパラメータ,将来予測の総合的な統合により,集約重みを調整した動的グローバルプロトタイプを構築している。クライアント側では,有益性に基づく識別訓練を実現するために補完的な分類融合を導入し,コストを考慮した特徴伝達をモデル性能と通信効率のバランスに取り入れる。
論文参考訳（メタデータ） (2025-08-25T12:18:25Z)
Mind the Gap: Confidence Discrepancy Can Guide Federated Semi-Supervised Learning Across Pseudo-Mismatch [50.632535091877706]
Federated Semi-Supervised Learning (FSSL)は、ラベル付きデータに制限のあるクライアント間でラベル付きデータを活用して、強力な一般化能力を持つグローバルモデルをトレーニングすることを目的としている。ほとんどのFSSL手法は擬似ラベルによる整合正則化に依存しており、局所的またはグローバルなモデルからの予測を監督信号としてハード擬似ラベルに変換する。擬似ラベルの品質は、フェデレーション学習の本質的な側面であるデータ不均一性によって大きく劣化していることを示す。
論文参考訳（メタデータ） (2025-03-17T14:41:51Z)
You Are Your Own Best Teacher: Achieving Centralized-level Performance in Federated Learning under Heterogeneous and Long-tailed Data [54.56492110703343]
局所的な非IIDデータとグローバルな長期分布から生ずるデータ不均一性は、連邦学習(FL)における大きな課題である弱い局所サンプルと強い局所サンプルの知識を蒸留し,表現学習を改善するためにFedYoYoを提案する。我々は、FedYoYoが最先端の結果を達成し、グローバルな長期的設定の下で集中ロジット調整手法を5.4%超えたことを示します。
論文参考訳（メタデータ） (2025-03-10T04:57:20Z)
Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
論文参考訳（メタデータ） (2024-12-19T16:22:37Z)
FedLF: Adaptive Logit Adjustment and Feature Optimization in Federated Long-Tailed Learning [5.23984567704876]
フェデレーション学習は、分散機械学習におけるプライバシの保護という課題にパラダイムを提供する。伝統的なアプローチは、グローバルな長期データにおけるクラスワイドバイアスの現象に対処できない。新しい手法であるFedLFは、適応ロジット調整、連続クラス中心最適化、特徴デコリレーションという、局所的なトレーニングフェーズに3つの修正を導入している。
論文参考訳（メタデータ） (2024-09-18T16:25:29Z)
Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。空のクラス蒸留とロジット抑制を同時に統合する。 FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
論文参考訳（メタデータ） (2024-01-04T16:06:31Z)
Integrating Local Real Data with Global Gradient Prototypes for Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
論文参考訳（メタデータ） (2023-01-25T03:18:10Z)
Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
論文参考訳（メタデータ） (2021-04-27T18:23:54Z)
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。