論文の概要: Auto-FL-Research: Agentic Search for Federated Learning Algorithms

• arxiv url: http://arxiv.org/abs/2607.01366v1
• Date: Wed, 01 Jul 2026 18:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.55338
• Title: Auto-FL-Research: Agentic Search for Federated Learning Algorithms
• Title（参考訳）: Auto-FL-Research:フェデレーション学習アルゴリズムのエージェント検索
• Abstract要約: Auto-FL-Researchは、FLアルゴリズムによるレシピ検索のための制約付きコーディングエージェントワークフローである。 エージェントは候補トレーニングアルゴリズムを提案し、実装する。 各キャンペーンは、候補スコア、ランタイム、編集されたファイル、アーティファクト、障害ステータスを記録する。
• 参考スコア（独自算出の注目度）: 8.523253752303946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) research often depends on many small but consequential algorithmic choices: optimizer variants, server aggregation rules, local training schedules, normalization, regularization, and model architecture. These choices are expensive to explore manually and difficult to compare fairly when candidate changes can also alter the FL training or evaluation path. In this work, we present Auto-FL-Research (AFR), a constrained coding-agent workflow for FL algorithmic recipe search. Agents may propose and implement candidate training algorithms, including server aggregation rules, client update schedules, local objectives, and registered model variants, while task profiles fix the mutation surface, compute budget, communication contract, and final model evaluation. Each campaign records candidate scores, runtime, edited files, artifacts, and failure status. We evaluate AFR on five healthcare cross-silo FLamby tasks and on grouped-client profiles for the five fixed LEAF datasets plus the LEAF synthetic task. Five-seed repeat evaluations support gains on four FLamby tasks and five of six LEAF profiles, while also exposing seed-sensitive and search-selected failure cases. Same-budget controls show that several gains correspond to FL-recipe changes, whereas other improvements are recovered by fixed-surface scalar controls or fail under repeat or held-out evaluation. These mixed outcomes are part of the contribution: they show how agent-generated candidates can be separated into repeated FL mechanisms, fixed-surface tuning effects, and selected single-run artifacts.
• Abstract（参考訳）: フェデレートラーニング(FL)の研究は、しばしば、最適化された変種、サーバ集約ルール、ローカルトレーニングスケジュール、正規化、正規化、モデルアーキテクチャなど、小さなが連続的なアルゴリズムの選択に頼っている。 これらの選択は手動で行うのが高価で、候補の変更がFLトレーニングや評価パスを変える可能性がある場合、適切な比較が困難である。 本稿では,FLアルゴリズムによるレシピ検索のための制約付きコーディングエージェントであるAuto-FL-Research(AFR)を提案する。 エージェントは、サーバアグリゲーションルール、クライアント更新スケジュール、ローカル目的、登録モデル変種を含む候補トレーニングアルゴリズムを提案し、実装することができる。 各キャンペーンは、候補スコア、ランタイム、編集されたファイル、アーティファクト、障害ステータスを記録する。 我々は,5つの医療用クロスサイロFLambyタスクと,5つの固定LEAFデータセットとLEAF合成タスクに対するグループ化されたクライアントプロファイルについてAFRを評価した。 5シード繰り返し評価は、4つのFLambyタスクと6つのLEAFプロファイルのうち5つをサポートすると同時に、シードセンシティブで検索選択された障害ケースを露呈する。 同じ予算制御は、いくつかの利得がFL利得変化に対応していることを示しているが、その他の改善は、固定面スカラー制御によって回復されるか、繰り返しまたはホールドアウト評価で失敗する。 これらの混合結果は、エージェント生成候補を、繰り返しFL機構、固定面チューニング効果、選択された単一実行アーティファクトに分割する方法を示す。

関連論文リスト

• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• Refinement Provenance Inference: Detecting LLM-Refined Training Prompts from Model Behavior [58.751981587234916]
  本稿では,Refinement Provenance Inference (RPI)監査タスクをRefinement Provenance Inference (RPI)として定式化する。 本稿では,ロジットレベルの信号で教師が強制する可能性機能を融合させるロジットベースのフレームワークであるReProを提案する。 トレーニング中、ReProはシャドウファインチューニングを通じて転送可能な表現を学び、訓練データアクセスなしで、見えない犠牲者の証明を推測するために軽量のリニアヘッドを使用する。
  論文  参考訳（メタデータ） (2026-01-05T10:16:41Z)
• Reinforce-Ada: An Adaptive Sampling Framework for Reinforce-Style LLM Training [47.26632817047513]
  大規模言語モデル(LLM)に推論タスクに適用された強化学習は、不安定な勾配推定によってボトルネックとなることが多い。 LLMのオンラインRLポストトレーニングのための適応型サンプリングフレームワークであるReinforce-Adaを提案する。 従来の2段階配置法とは異なり、Reinforce-Adaはオンライン連続除去プロセスにおける推定とサンプリングをインターリーブする。
  論文  参考訳（メタデータ） (2025-10-06T16:34:09Z)
• GRAPE: Let GPRO Supervise Query Rewriting by Ranking for Retrieval [19.73916326078242]
  CLIPモデルは,テキストと画像データを統合埋め込み空間に整列させることにより,大規模検索システムの基盤となっている。 コストのかかるリトレーニングを避けるため、既存のメソッドは主に大規模言語モデル(LLM)によるクエリ書き換え戦略を採用している。 GRAPEは,検索誘導型クエリ書き換えにランキング信号を組み込むプラグイン・アンド・プレイ拡張手法である。
  論文  参考訳（メタデータ） (2025-09-27T15:36:59Z)
• Can Prompt Difficulty be Online Predicted for Accelerating RL Finetuning of Reasoning Models? [65.18157595903124]
  本研究では任意のプロンプトの反復的近似評価について検討する。 Model Predictive Prompt Selection (MoPPS)はベイズにおけるリスク予測フレームワークである。 MoPPSは迅速な困難を確実に予測し、ロールアウトを大幅に削減したトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-07-07T03:20:52Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning? [50.03434441234569]
  フェデレートラーニング(FL)は、直接データ共有を必要とせず、さまざまなサイトで機械学習モデルをトレーニングする効果により、大きな人気を集めている。 局所的な更新を伴うFLは通信効率のよい分散学習フレームワークであることが様々なアルゴリズムによって示されているが、局所的な更新によるFLの一般化性能は比較的低い。
  論文  参考訳（メタデータ） (2024-09-05T19:00:18Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• Combating Client Dropout in Federated Learning via Friend Model Substitution [8.325089307976654]
  Federated Learning(FL)は、データプライバシと通信効率のメリットで知られる、新たな分散機械学習フレームワークである。 本稿では,受動的部分的クライアント参加シナリオについて検討する。 我々は,データ配信に類似したクライアントの友人を検出する新しいアルゴリズムFL-FDMSを開発した。 MNISTとCIFAR-10の実験により、FL-FDMSのFLにおけるクライアントドロップアウト処理における優れた性能が確認された。
  論文  参考訳（メタデータ） (2022-05-26T08:34:28Z)
• Exploration and Exploitation in Federated Learning to Exclude Clients with Poisoned Data [6.392682806893982]
  フェデレートラーニング(FL)はホットな研究トピックのひとつです。 FLは、高い正確性を得ることの困難、クライアントとサーバ間の通信コストの高さ、敵MLに関連するセキュリティ攻撃など、多くの課題に直面している。 本稿では進化的手法にインスパイアされたFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-29T11:31:02Z)
• System Optimization in Synchronous Federated Training: A Survey [4.8345307057837354]
  プライバシー保護的な方法での協調機械学習は、フェデレートラーニング(FL)と呼ばれる新しい機械学習パラダイムを生み出します。 十分なレベルのプライバシー保証が与えられた場合、FLシステムの実用性は、トレーニングプロセス中の時間と精度のパフォーマンスに大きく依存する。 従来の分散トレーニングと多少似ているが、FLにはより短い時間から正確性への最適化を複雑にする4つの異なる課題がある。
  論文  参考訳（メタデータ） (2021-09-09T02:31:29Z)

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。