論文の概要: FedXDS: Leveraging Model Attribution Methods to counteract Data Heterogeneity in Federated Learning
- arxiv url: http://arxiv.org/abs/2606.31742v1
- Date: Tue, 30 Jun 2026 14:35:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.271553
- Title: FedXDS: Leveraging Model Attribution Methods to counteract Data Heterogeneity in Federated Learning
- Title（参考訳）: FedXDS:フェデレートラーニングにおけるデータ不均一性に対するモデル属性の活用
- Abstract要約: FedXDSは、クライアント間で選択的に共有すべきデータ要素を正確に識別するために、機能属性技術を利用する最初のアプローチである。
理論的プライバシー保証を提供し、メンバーシップ推論とフィーチャーインバージョン攻撃の両方に対する堅牢性を実証的に実証する。
- 参考スコア（独自算出の注目度）: 16.981834481629885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explainable AI (XAI) methods have demonstrated significant success in recent years at identifying relevant features in input data that drive deep learning model decisions, enhancing interpretability for users. However, the potential of XAI beyond providing model transparency has remained largely unexplored in adjacent machine learning domains. In this paper, we show for the first time how XAI can be utilized in the context of federated learning. Specifically, while federated learning enables collaborative model training without raw data sharing, it suffers from performance degradation when client data distributions exhibit statistical heterogeneity. We introduce FedXDS (Federated Learning via XAI-guided Data Sharing), the first approach to utilize feature attribution techniques to identify precisely which data elements should be selectively shared between clients to mitigate heterogeneity. By employing propagation-based attribution, our method identifies task-relevant features through a single backward pass, enabling selective data sharing that aligns client contributions. To protect sensitive information, we incorporate metric privacy techniques that provide formal privacy guarantees while preserving utility. Experimental results demonstrate that our approach consistently achieves higher accuracy and faster convergence compared to existing methods across varying client numbers and heterogeneity settings. We provide theoretical privacy guarantees and empirically demonstrate robustness against both membership inference and feature inversion attacks. Code is available at https://github.com/MaxH1996/FedXDS.
- Abstract（参考訳）: 説明可能なAI(XAI)手法は、近年、ディープラーニングモデル決定を駆動する入力データに含まれる関連する特徴を特定し、ユーザの解釈可能性を高める上で、大きな成功を収めている。
しかし、XAIがモデル透過性を提供する以上のポテンシャルは、隣接する機械学習領域でほとんど探索されていない。
本稿では,XAIをフェデレート学習の文脈で活用する方法を初めて示す。
具体的には、フェデレーション学習は生データ共有なしに協調的なモデルトレーニングを可能にするが、クライアントデータ分布が統計的不均一性を示す場合、性能劣化に悩まされる。
我々はFedXDS(Federated Learning via XAI-Guided Data Sharing)を紹介した。これは特徴属性技術を利用して、不均一性を緩和するためにクライアント間でどのデータ要素を選択的に共有すべきかを識別する最初のアプローチである。
提案手法では,1つのバックワードパスを通じてタスク関連機能を識別し,クライアントのコントリビューションを調整したデータ共有を可能にする。
機密情報を保護するために,有効性を維持しつつ,正式なプライバシー保証を提供するメトリクスプライバシ手法を取り入れた。
実験結果から,提案手法はクライアント数や不均一性の設定にまたがる既存手法と比較して,精度の向上と収束性の向上を一貫して達成していることがわかった。
理論的プライバシー保証を提供し、メンバーシップ推論とフィーチャーインバージョン攻撃の両方に対する堅牢性を実証的に実証する。
コードはhttps://github.com/MaxH 1996/FedXDSで入手できる。
関連論文リスト
- ALIGN-FL: Architecture-independent Learning through Invariant Generative component sharing in Federated Learning [4.073149631618324]
本稿では分散学習の新たなアプローチであるALIGN-FLを提案する。
我々のフレームワークは、完全なモデルパラメータを交換する代わりに、クライアント間で生成機能のみを転送することで、プライバシ保護学習を可能にします。
論文 参考訳（メタデータ） (2025-12-15T13:35:27Z) - Privacy-Preserved Automated Scoring using Federated Learning for Educational Research [1.2556373621040728]
本稿では,教育評価の自動評価のための統合学習(FL)フレームワークを提案する。
我々は,2つの最先端FL手法と集中学習ベースラインに対して,我々のモデルをベンチマークする。
その結果,本モデルが最も精度が高い(94.5%)ことが示唆された。
論文 参考訳（メタデータ） (2025-03-12T19:06:25Z) - Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。
従来の偽造検出手法は、データを直接集中的に訓練する。
本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
論文 参考訳（メタデータ） (2024-06-17T02:20:30Z) - FedSiKD: Clients Similarity and Knowledge Distillation: Addressing
Non-i.i.d. and Constraints in Federated Learning [7.718401895021425]
我々は、類似性に基づくフェデレート学習フレームワークに知識蒸留(KD)を組み込んだFedSiKDを紹介する。
クライアントがシステムに参加すると、データ配布に関する関連する統計情報を安全に共有し、クラスタ内の均一性を促進する。
FedSiKDは、HARおよびMNISTデータセット上で、高度に歪んだデータに対して25%と18%の精度で最先端のアルゴリズムより優れている。
論文 参考訳（メタデータ） (2024-02-14T11:16:50Z) - Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。
FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。
この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
論文 参考訳（メタデータ） (2023-03-31T10:13:01Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Rethinking Data Heterogeneity in Federated Learning: Introducing a New
Notion and Standard Benchmarks [65.34113135080105]
我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。
私たちの観察は直感的である。
私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
論文 参考訳（メタデータ） (2022-09-30T17:15:19Z) - Adversarial Representation Sharing: A Quantitative and Secure
Collaborative Learning Framework [3.759936323189418]
コミュニケーションのオーバーヘッドが低く,タスク依存度が低いため,共同学習において表現学習には独特なアドバンテージがあることがわかった。
ARSは、ユーザがモデルを訓練するためにデータの表現を共有する協調学習フレームワークである。
我々は,本機構がモデル逆攻撃に対して有効であることを実証し,プライバシとユーティリティのバランスを実現する。
論文 参考訳（メタデータ） (2022-03-27T13:29:15Z) - Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。
提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。
この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
論文 参考訳（メタデータ） (2021-02-14T05:36:25Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z) - Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。
非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。
ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文 参考訳（メタデータ） (2020-05-03T09:14:31Z)
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。