論文の概要: FedSPM: Routing-Enabled Federated Learning under Dual Heterogeneity via Semiparametric Mixture

• arxiv url: http://arxiv.org/abs/2607.04085v1
• Date: Sun, 05 Jul 2026 02:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.826031
• Title: FedSPM: Routing-Enabled Federated Learning under Dual Heterogeneity via Semiparametric Mixture
• Title（参考訳）: FedSPM: 半パラメトリック混合による二重不均一条件下でのルーティング可能フェデレーション学習
• Authors: Zijian Wang, Pengfei Li, Guangyu Yang, Qiong Zhang,
• Abstract要約: 本稿では、クライアント固有の潜在コンポーネントを使用して各クライアントを表すルーティング可能な半パラメトリック混合フレームワークであるFedSPMを提案する。 制御されたベンチマークと実世界の医療データによる実験では、二重不均一性の下でのルーティングと予測が一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 14.751907622686423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Routing-prediction federated learning has emerged as a new paradigm that reframes inter-client heterogeneity as a resource for system-level intelligence: at inference time, the server routes each external query to the best-matched client for prediction. Existing approaches, however, typically treat each client as internally homogeneous, overlooking latent subpopulations within local data. For example, patients with the same diagnosis at one hospital may exhibit morphologically distinct disease subtypes. The coexistence of inter-client and intra-client heterogeneity, which we call dual heterogeneity, can impair both routing and prediction. To address this challenge, we propose FedSPM, a routing-enabled semiparametric mixture framework that represents each client using client-specific latent components. Each component combines a predictive distribution for classification with a feature distribution for routing. To flexibly model feature distributions while effectively sharing information across clients, FedSPM models their density ratios relative to a common nonparametric measure estimated via empirical likelihood. We develop a federated expectation-maximization algorithm that optimizes a tractable surrogate and prove convergence of the exact profiled objective at the standard $\mathcal{O}(1/\sqrt{T})$ rate when the surrogate errors are properly controlled. Experiments on controlled benchmarks and real-world medical data demonstrate consistent improvements in routing and prediction under dual heterogeneity. Code is available at https://github.com/zijianwang0510/FedSPM.
• Abstract（参考訳）: ルーティング予測フェデレーション学習は、システムレベルのインテリジェンスのためのリソースとして、クライアント間の不均一性を再構成する新しいパラダイムとして登場した。 しかし、既存のアプローチでは、各クライアントを内部的に均質に扱い、ローカルデータ内の潜伏するサブ集団を見渡すのが一般的である。 例えば、ある病院で同じ診断を受けた患者は、形態学的に異なる疾患のサブタイプを示すことがある。 二重不均一性と呼ばれる、クライアント間およびクライアント内不均一性の共存は、ルーティングと予測の両方を損なう可能性がある。 この課題に対処するため、我々は、クライアント固有の潜在コンポーネントを使用して各クライアントを表すルーティング可能な半パラメトリック混合フレームワークであるFedSPMを提案する。 各コンポーネントは、分類のための予測分布とルーティングのための特徴分布を組み合わせる。 クライアント間で情報を効果的に共有しながら、特徴分布を柔軟にモデル化するために、FedSPMは、経験的可能性によって推定される共通の非パラメトリック測度に対する密度比をモデル化する。 本研究では,トラクタブルなサロゲートを最適化し,サロゲート誤差が適切に制御された場合に,標準の$\mathcal{O}(1/\sqrt{T})$レートで正確なプロファイル対象の収束を証明できるフェデレーション予測最大化アルゴリズムを開発した。 制御されたベンチマークと実世界の医療データによる実験では、二重不均一性の下でのルーティングと予測が一貫した改善が示されている。 コードはhttps://github.com/zijianwang0510/FedSPMで入手できる。

関連論文リスト

• Detecting Atypical Clients in Federated Learning via Representation-Level Divergence [0.0]
  フェデレーション学習は、異種データによる分散クライアント間の協調トレーニングを可能にする。 本稿では,クライアントのグローバルモデルに対する機能偏差を定量化するための,軽量な幾何学的信号を提案する。 この信号は非定型的な機能的変化を誘発するクライアントを効果的に識別し、安定だが不均一なクライアントと、更新が世界体制と大きく異なるクライアントを区別することを示す。
  論文  参考訳（メタデータ） (2026-05-21T10:10:38Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-05T07:02:50Z)
• Client Selection in Federated Learning with Data Heterogeneity and Network Latencies [19.161254709653914]
  Federated Learning(FL)は、複数のクライアントがプライベートデータに基づいてローカルトレーニングを行う分散機械学習パラダイムである。 本稿では,両不均一性を扱う理論的に最適なクライアント選択方式を2つ提案する。
  論文  参考訳（メタデータ） (2025-04-02T17:31:15Z)
• FDR-SVM: A Federated Distributionally Robust Support Vector Machine via a Mixture of Wasserstein Balls Ambiguity Set [3.662364375995991]
  本稿では,複数のクライアントと中央サーバのネットワーク上でのフェデレーション分類問題について検討する。 我々はFDR-SVM(Federated Distributionally Robust Support Vector Machine)を開発した。 我々はFDR-SVM問題を解く2つのアルゴリズムを厳格に導き、それらの収束挙動と最悪の時間複雑性を解析する。
  論文  参考訳（メタデータ） (2024-10-04T19:21:45Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• 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 under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• A Differentially Private Probabilistic Framework for Modeling the Variability Across Federated Datasets of Heterogeneous Multi-View Observations [4.511923587827301]
  我々のフレームワークは、潜在マスターの分布とクライアントのパラメータよりも期待(EM)によって効果的に最適化できることを示す。 アルツハイマー病に罹患した患者の臨床データから, マルチモーダル・メディカル・イメージング・データの解析と臨床成績について検討した。
  論文  参考訳（メタデータ） (2022-04-15T07:20:47Z)
• Gradient Masked Averaging for Federated Learning [24.687254139644736]
  フェデレートラーニングは、統一グローバルモデルの学習を協調するために、異種データを持つ多数のクライアントを可能にする。 標準FLアルゴリズムは、サーバのグローバルモデルを近似するために、モデルパラメータや勾配の更新を平均化する。 本稿では,クライアント更新の標準平均化の代替として,FLの勾配マスク平均化手法を提案する。
  論文  参考訳（メタデータ） (2022-01-28T08:42:43Z)

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。