論文の概要: FedTR: Federated Learning Framework with Transfer Learning for Industrial Visual Inspection
- arxiv url: http://arxiv.org/abs/2607.08014v1
- Date: Thu, 09 Jul 2026 00:40:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.377542
- Title: FedTR: Federated Learning Framework with Transfer Learning for Industrial Visual Inspection
- Title（参考訳）: FedTR:産業用視覚検査のためのトランスファーラーニングを用いたフェデレーションラーニングフレームワーク
- Abstract要約: Federated Learning(FL)は、ディープラーニングモデルをトレーニングするための協調学習スキームである。
本稿では,自律IVIのためのトランスファー学習を取り入れた新しいFLフレームワークであるFedTRを紹介する。
エンドツーエンドのテキスト認識を通じてラベル欠陥を特定するという課題に焦点を当てている。
- 参考スコア（独自算出の注目度）: 13.21063374380496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) is a collaborative learning scheme to train deep learning models, where collaborating parties can consolidate their models without sharing local data with other parties, hence preserving data privacy. Nevertheless, when implementing FL in Industrial visual inspection (IVI), the constraints posed by limited data availability and the intricate nature of the inspection tasks significantly impact the performance of the resulting model. This paper introduces FedTR, a novel FL framework incorporating transfer learning designed for Autonomous IVI, focusing on the challenging task of identifying label defects through end-to-end text recognition. Transfer learning is a method that leverages the knowledge of a pre-trained model to adapt to a different dataset. FedTR initially trains the model using a publicly available dataset, after which performs the essential federated learning process with model fine-tuning on the distributed and limited private data. Extensive experiment results demonstrate the effectiveness and feasibility of FedTR on private ink cartridge datasets for label defect identification. FedTR achieves an end-to-end text recognition word-level accuracy of 95.5% and 94.2% on homogeneous and heterogeneous data respectively. Additionally, it attains performance levels that are on par with those achieved through centralized training.
- Abstract（参考訳）: Federated Learning(FL)は、ディープラーニングモデルをトレーニングするための協調学習スキームである。
それにもかかわらず、産業視覚検査(IVI)においてFLを実装する場合、データ可用性の制限と検査タスクの複雑な性質によって生じる制約は、結果のモデルの性能に大きな影響を及ぼす。
本稿では、自動IVI用に設計されたトランスファーラーニングを取り入れた新しいFLフレームワークであるFedTRを紹介し、エンドツーエンドのテキスト認識によるラベル欠陥の識別という課題に焦点をあてる。
トランスファーラーニング(Transfer Learning)は、トレーニング済みモデルの知識を活用して、異なるデータセットに適応する手法である。
FedTRは当初、公開データセットを使用してモデルをトレーニングし、その後、分散および制限されたプライベートデータに対するモデル微調整で、必須のフェデレーション学習プロセスを実行する。
ラベル欠陥同定のためのプライベートインクカートリッジデータセットにおけるFedTRの有効性と有効性を示した。
FedTRは、同種データと異種データでそれぞれ95.5%と94.2%のエンドツーエンドのテキスト認識ワードレベルの精度を達成している。
さらに、集中的なトレーニングによって達成されたものと同等のパフォーマンスレベルも達成します。
関連論文リスト
- Certifying the Right to Be Forgotten: Primal-Dual Optimization for Sample and Label Unlearning in Vertical Federated Learning [31.54643729002375]
フェデレートされたアンラーニングにより、トレーニングされたモデルから特定のデータの影響を取り除くことができる。
原始双対アルゴリズムによるデータ除去のためのフェデレーション最適化法の提案
新しい未学習損失関数は、誤分類よりも分類の不確実性を促進する。
論文 参考訳（メタデータ） (2025-12-29T03:25:52Z) - Semi-Supervised Federated Learning via Dual Contrastive Learning and Soft Labeling for Intelligent Fault Diagnosis [30.60728200709919]
本稿では,半教師付きフェデレーション学習フレームワークSSFL-DCSLを提案する。
デュアルコントラストロスとソフトラベリングを統合して、データに対処し、分散クライアントのラベル不足に対処する。
最先端の手法で精度を1.15%から7.85%向上させることができる。
論文 参考訳（メタデータ） (2025-07-12T10:54:23Z) - CHASe: Client Heterogeneity-Aware Data Selection for Effective Federated Active Learning [22.38403602956309]
フェデレートアクティブラーニング(FAL)に特化して設計されたCHASe (Client Heterogeneity-Aware Data Selection)を提案する。
CHASeは、トレーニング中の意思決定の境界を揺らぎながら、高い疫学変化(EV)を持つラベルのないサンプルを特定することに重点を置いている。
実験により、CHASeは、さまざまなデータセット、モデル複雑度、異種フェデレーション設定にまたがって検証される、有効性と効率の観点から、確立されたさまざまなベースラインを超えることが示されている。
論文 参考訳（メタデータ） (2025-04-24T11:28:00Z) - HFedCKD: Toward Robust Heterogeneous Federated Learning via Data-free Knowledge Distillation and Two-way Contrast [10.652998357266934]
データフリーな知識蒸留と双方向コントラスト(HFedCKD)に基づくヘテロジニアスフェデレーション方式を提案する。
HFedCKDは、データフリーな知識蒸留における低い参加率による知識オフセットを効果的に軽減し、モデルの性能と安定性を向上させる。
我々は画像とIoTデータセットに関する広範な実験を行い、提案したHFedCKDフレームワークの一般化と堅牢性を包括的に評価し、検証する。
論文 参考訳（メタデータ） (2025-03-09T08:32:57Z) - An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。
従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。
我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
論文 参考訳（メタデータ） (2024-04-29T05:55:23Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Fake It Till Make It: Federated Learning with Consensus-Oriented
Generation [52.82176415223988]
コンセンサス指向生成による連合学習(FedCOG)を提案する。
FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。
古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
論文 参考訳（メタデータ） (2023-12-10T18:49:59Z) - UNIDEAL: Curriculum Knowledge Distillation Federated Learning [17.817181326740698]
フェデレートラーニング(FL)は、複数のクライアント間で協調学習を可能にする、有望なアプローチとして登場した。
本稿では,ドメイン横断シナリオの課題に対処するための新しいFLアルゴリズムであるUNIを提案する。
この結果から,UNIはモデル精度と通信効率の両面において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2023-09-16T11:30:29Z) - FedDM: Iterative Distribution Matching for Communication-Efficient
Federated Learning [87.08902493524556]
フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。
我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。
そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
論文 参考訳（メタデータ） (2022-07-20T04:55:18Z) - Toward Understanding the Influence of Individual Clients in Federated
Learning [52.07734799278535]
フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。
em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
論文 参考訳（メタデータ） (2020-12-20T14:34:36Z) - A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。
Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。
本稿では,FL に対応する SV の変種を提案する。
論文 参考訳（メタデータ） (2020-09-14T04:37:54Z)
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。