論文の概要: Federated Learning with Energy-Based Structured Probabilistic Inference

• arxiv url: http://arxiv.org/abs/2606.30161v1
• Date: Mon, 29 Jun 2026 11:38:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.20698
• Title: Federated Learning with Energy-Based Structured Probabilistic Inference
• Title（参考訳）: エネルギーに基づく構造的確率的推論によるフェデレーション学習
• Abstract要約: フェデレーション学習は通常、固定ルールまたは重み付けルールを使用してクライアント更新を集約する。 条件付きランダムフィールド(CRF)を用いたクライアント集約重み付けを洗練するフレームワークを提案する。 本手法では,各クライアントに対する一元的ポテンシャルと全クライアント対に対するペアワイズポテンシャルを定義し,クライアント固有の信頼性とクライアント間のインタラクションの両方をサーバがモデル化できるようにする。
• 参考スコア（独自算出の注目度）: 7.122698354756618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning typically aggregates client updates using fixed or heuristic weighting rules, which can be suboptimal when clients have heterogeneous data and varying contributions to the global model. We propose a framework that refines client aggregation weights using Conditional Random Fields (CRFs). Our method defines unary potentials for individual clients and pairwise potentials for all client pairs, allowing the server to model both client-specific reliability and interactions between clients. The resulting CRF inference produces aggregation weights that enable better convergence of the global training objective. Experiments show that, under non-IID heterogeneity, our approach consistently improves performance over well-established federated learning baselines.
• Abstract（参考訳）: フェデレーション学習は通常、固定的あるいはヒューリスティックな重み付けルールを使用してクライアントのアップデートを集約する。 本研究では,条件付きランダムフィールド(CRF)を用いてクライアント集約重み付けを洗練させるフレームワークを提案する。 本手法では,各クライアントに対する一元的ポテンシャルと全クライアント対に対するペアワイズポテンシャルを定義し,クライアント固有の信頼性とクライアント間のインタラクションの両方をサーバがモデル化できるようにする。 結果のCRF推論は、グローバルなトレーニング目標の収束性を向上する集約重みを生成する。 実験により,非IIDの不均一性の下では,フェデレートされた学習ベースラインよりも一貫して性能が向上することが確認された。

関連論文リスト

• Similarity-Aware Personalized Federated Learning in Heterogeneous Environments [10.354095147014043]
  フェデレートラーニング(Federated Learning)は、分散クライアントがデータのプライバシを保持しながら、協力的にモデルをトレーニングすることを可能にする。 クライアント間の分散ミスマッチは、多くの場合、グローバルな一般化が貧弱で、ローカルクライアントレベルのパフォーマンスが低下する。 SPE-FL(Similarity-Aware Personalized Federated Learning)は、各クライアントのモデルをグローバルモデルと類似度重み付きピア平均モデルの両方に固定する新しいパーソナライズフレームワークである。
  論文  参考訳（メタデータ） (2026-09-02T07:48:04Z)
• Representation-Aligned Multi-Scale Personalization for Federated Learning [24.809441061502095]
  本稿では、パーソナライズされたリソース適応型フェデレーション学習のための統合フレームワークFRAMPを提案する。 FRAMPは固定されたグローバルモデルに頼る代わりに、コンパクトなクライアント記述子からクライアント固有のモデルを生成する。 ビジョンとグラフベンチマークの実験では、FRAMPが広範囲のクライアント設定における一般化と適応性を高めることが示されている。
  論文  参考訳（メタデータ） (2026-04-13T10:38:21Z)
• FedVG: Gradient-Guided Aggregation for Enhanced Federated Learning [7.6428960455933925]
  フェデレートラーニング(FL)は、プライベートデータを共有せずに、複数のクライアント間で協調的なモデルトレーニングを可能にする。 クライアント間のデータの異質性は、モデルの全体的な一般化性能を低下させるクライアントのドリフトにつながる。 我々は,新しい勾配に基づくフェデレーションアグリゲーションフレームワークであるFedVGを提案する。
  論文  参考訳（メタデータ） (2026-02-24T22:05:42Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• 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)
• Personalized Federated Learning via Amortized Bayesian Meta-Learning [21.126405589760367]
  我々は,Amortized Bayesian Meta-Learningを通じて,パーソナライズド・フェデレーション・ラーニングの新しい視点を紹介する。 具体的には,クライアント間の階層的変動推論を用いたemphFedABMLという新しいアルゴリズムを提案する。 我々の理論解析は平均一般化誤差の上限を提供し、未知のデータに対する一般化性能を保証する。
  論文  参考訳（メタデータ） (2023-07-05T11:58:58Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Straggler-Resilient Personalized Federated Learning [55.54344312542944]
  フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。 これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。 提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
  論文  参考訳（メタデータ） (2022-06-05T01:14:46Z)
• On the Convergence of Clustered Federated Learning [57.934295064030636]
  統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。 本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-13T02:39:19Z)
• Personalized Federated Learning with First Order Model Optimization [76.81546598985159]
  そこで我々は,各クライアントが他のクライアントと連携して,クライアント固有の目的ごとのより強力なモデルを得る,フェデレーション学習の代替案を提案する。 基礎となるデータ分布やクライアントの類似性に関する知識を前提とせず、各クライアントが関心のある任意のターゲット分布を最適化できるようにします。 この手法は既存の代替品を上回り、ローカルデータ配信以外の転送のようなパーソナライズされたFLの新機能を可能にする。
  論文  参考訳（メタデータ） (2020-12-15T19:30:29Z)
• Client Adaptation improves Federated Learning with Simulated Non-IID Clients [1.0896567381206714]
  クライアント間でデータを独立に分散する(非IID)場合、クライアントが適応可能で堅牢なモデルを学ぶための連合学習手法を提案する。 学習したクライアント固有の条件付けを追加することで、モデルの性能が向上し、オーディオドメインと画像ドメインの両方から、バランスのとれた、バランスのとれたデータセットに対して、アプローチが機能することを示します。
  論文  参考訳（メタデータ） (2020-07-09T13:48:39Z)

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。