論文の概要: Robust Federated Learning Under Real-World Client Churn

• arxiv url: http://arxiv.org/abs/2607.06979v1
• Date: Wed, 08 Jul 2026 04:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.278677
• Title: Robust Federated Learning Under Real-World Client Churn
• Title（参考訳）: 現実世界のクライアントの混乱下でのロバストなフェデレーション学習
• Abstract要約: FeLiXは、ライブインタラクションストリームにおいて、壁面の時間とターゲットの精度を最小化するFLオーケストレーションフレームワークである。 クライアントの可用性に関する非現実的な論理的知識に依存している従来のシステムとは異なり、FeLiXは現実世界の設定でほぼ奇抜なパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 7.185932304936373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables training shared models on private, on-device data, but production deployments remain constrained to slow, multi-day refresh cycles due to the complexity of coordinating massive client populations. For applications such as feed ranking, ad targeting, and personalized recommendation, model freshness: the ability to rapidly adapt to new user-local data is critical for maximizing objectives like click-through rate. This lag leaves models stale and unresponsive to volatile data distributions driven by viral trends and shifting user intent. Bridging this gap requires addressing three challenges overlooked by existing FL systems: transient client availability, dynamic data heterogeneity, and delays between model predictions and observable outcomes. We present FeLiX, an FL orchestration framework that minimizes wall-clock time-to-target accuracy on live interaction streams. FeLiX introduces three primitives: (i) streaming-aware availability tiers that leverage lightweight telemetry to identify ready clients at scale; (ii) fresh-utility selection, a dual-tier mechanism that prioritizes statistically valuable updates from devices able to meet tight refresh deadlines; and (iii) informativeness-aware, delay-robust aggregation that incorporates late, high-value updates containing ground-truth outcomes without biasing the global model toward stale distributions. Unlike prior systems that rely on unrealistic oracular knowledge of client availability, FeLiX achieves near-oracular performance in real-world settings. Across CIFAR-10, Google Speech, and realistic low-availability traces, FeLiX reduces wall-clock time-to-target accuracy by up to 2.37X while reducing communication bandwidth by 1.30X compared to state-of-the-art synchronous and asynchronous FL baselines.
• Abstract（参考訳）: フェデレートラーニング(FL)は、プライベート、オンデバイスデータ上で共有モデルのトレーニングを可能にするが、大規模なクライアント数の調整が複雑になるため、運用デプロイメントは遅く、複数日のリフレッシュサイクルに制約される。 フィードランキング、広告ターゲティング、パーソナライズされたレコメンデーションなどのアプリケーションでは、新しいユーザーローカルデータに迅速に適応する能力は、クリックスルーレートのような目的を最大化するために重要である。 このラグは、ウイルスのトレンドとユーザー意図のシフトによって引き起こされる不安定なデータ分布に対して、モデルが不安定で反応しないままである。 このギャップを埋めるには、トランジェントクライアントの可用性、動的データの均一性、モデル予測と観測可能な結果の間の遅延という、既存のFLシステムで見落とされた3つの課題に対処する必要がある。 FeLiXは、ライブインタラクションストリームにおいて、壁面の時間とターゲットの精度を最小化するFLオーケストレーションフレームワークである。 FeLiXは3つのプリミティブを導入している。 i) 軽量テレメトリを活用して大規模に対応可能なクライアントを特定するストリーミング対応アベイラビリティー層 (ii)新ユーティリティの選択、すなわち、厳密なリフレッシュ期限を満たすことができるデバイスから統計的に価値のある更新を優先順位付けする二重層メカニズム 第三に、グローバルモデルから古い分布への偏見を伴わずに、地道的な結果を含む遅滞かつ高価値な更新を組み込んだ、情報性に配慮した遅延ロスアグリゲーション。 クライアントの可用性に関する非現実的な論理的知識に依存している従来のシステムとは異なり、FeLiXは現実世界の設定でほぼ奇抜なパフォーマンスを達成する。 CIFAR-10、Google Speech、および現実的な低可用性トレースを通じて、FeLiXは、最先端の同期および非同期FLベースラインと比較して通信帯域幅を1.30倍減らしながら、壁面の時間とターゲットの精度を最大2.37倍に削減する。

関連論文リスト

• Optimized Federated Knowledge Distillation with Distributed Neural Architecture Search [7.461859467262201]
  フェデレートラーニング(FL)は、データを集中せずに協調的なモデルトレーニングを可能にする。 既存のFLアプローチは、集約、パーソナライゼーション、知識蒸留の改善を通じてこれらの課題を軽減する。 この研究は、クライアント側ニューラルアーキテクチャ選択とサーバ協調知識の蒸留を組み合わせた蒸留駆動FLフレームワークであるFedKDNASを紹介する。
  論文  参考訳（メタデータ） (2026-05-20T15:50:49Z)
• Stragglers Can Contribute More: Uncertainty-Aware Distillation for Asynchronous Federated Learning [61.249748418757946]
  Asynchronous Federated Learning (FL)は、その効率性とスケーラビリティの向上に注目されている。 我々は,不確実性を考慮した蒸留を組み込んだ新しいフレームワークであるFedEchoを提案し,非同期FL性能を向上する。 FedEchoが既存の非同期フェデレーション学習ベースラインを一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-11-25T06:25:25Z)
• Reviving Stale Updates: Data-Free Knowledge Distillation for Asynchronous Federated Learning [28.983471880773305]
  Federated Learning (FL)は、生データを共有せずに、分散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。 AFL(Asynchronous Federated Learning)は、クライアントが独立して通信できるようにすることによってこの問題を軽減する。 我々は、データフリー知識蒸留(DFKD)を通じて古い更新を復活させる非同期FLフレームワークであるFedReviveを提案する。
  論文  参考訳（メタデータ） (2025-11-01T18:35:20Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• FRAIN to Train: A Fast-and-Reliable Solution for Decentralized Federated Learning [1.1510009152620668]
  非同期学習(FL)は、データの局所性を維持しながら、分散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。 我々は、2つの重要なアイデアを取り入れることでこれらの制限を緩和する新しいFL手法であるFRAIN(Fast-and-Reliable AI Network)を導入する。 CNNイメージ分類モデルとTransformerベースの言語モデルによる実験では、FRAINはFedAvg、FedAsync、BRAINよりも安定的で堅牢な収束を実現している。
  論文  参考訳（メタデータ） (2025-05-07T08:20:23Z)
• Optimizing Asynchronous Federated Learning: A Delicate Trade-Off Between Model-Parameter Staleness and Update Frequency [2.1990852305468533]
  同期フェデレーションラーニング(FL)は、ストラグラー効果によりクライアント数に悪影響を及ぼす。 本研究では,非同期FLアルゴリズムにおける設計選択の影響をよりよく理解するために,モデリングと解析に頼っている。 特に,モデルパラメータの安定化を回避し,勾配推定誤差の最小化という,非同期FLの最適化のための基本的なトレードオフを特徴付ける。
  論文  参考訳（メタデータ） (2025-02-12T08:38:13Z)
• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• DynamicFL: Balancing Communication Dynamics and Client Manipulation for Federated Learning [6.9138560535971605]
  Federated Learning(FL)は、数百万のエッジデバイスにわたる分散データを活用することで、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。 地理的に分散したエッジデバイスと非常にダイナミックなネットワークが混在していることを考えると、参加するデバイスからすべてのモデル更新を集約すると、FLでは必然的な長期遅延が発生する。 本稿では,クライアント操作戦略を特別に設計した大規模エッジデバイスにおける通信力学とデータ品質を考慮した新しいFLフレームワークであるDynamicFLを提案する。
  論文  参考訳（メタデータ） (2023-07-16T19:09:31Z)
• FL Games: A Federated Learning Framework for Distribution Shifts [71.98708418753786]
  フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。 本稿では,クライアント間で不変な因果的特徴を学習するフェデレーション学習のためのゲーム理論フレームワークFL GAMESを提案する。
  論文  参考訳（メタデータ） (2022-10-31T22:59:03Z)
• Dynamic Attention-based Communication-Efficient Federated Learning [85.18941440826309]
  フェデレートラーニング(FL)は、グローバル機械学習モデルをトレーニングするためのソリューションを提供する。 FLは、クライアントデータの分散が非IIDであるときに性能劣化に悩まされる。 本稿では,この劣化に対処するために,新しい適応トレーニングアルゴリズムであるtextttAdaFL$を提案する。
  論文  参考訳（メタデータ） (2021-08-12T14:18:05Z)

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。