論文の概要: HERO: A Heterogeneity-Aware Benchmark Library for Federated Continual Learning

• arxiv url: http://arxiv.org/abs/2607.08784v1
• Date: Sat, 13 Jun 2026 10:32:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.356167
• Title: HERO: A Heterogeneity-Aware Benchmark Library for Federated Continual Learning
• Title（参考訳）: HERO: 連続学習のための不均一性を考慮したベンチマークライブラリ
• Abstract要約: HEROは、しばしば結合される3つの選択肢、すなわち、タスク分割、クライアントデータ分割、クライアントタスクシーケンスを分離して、ベンチマークストリームを構築する。 我々は,CIFAR-100およびTinyImageNetにおける代表的FCL手法を,最終平均精度,平均忘れ度,最下位10%のクライアント精度を用いて評価した。
• 参考スコア（独自算出の注目度）: 7.256466895987238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated continual learning (FCL) evaluates how distributed clients learn from changing data streams while retaining previously learned knowledge. Existing evaluations are difficult to compare because they often change datasets, task splits, client data splits, task orders, backbones, memory assumptions, and reporting rules simultaneously. We introduce \textbf{HERO}, a heterogeneity-aware benchmark library for FCL. HERO builds benchmark streams by separating three choices that are often coupled, namely the task split, the client data split, and the client task sequence. In HERO-Core, the main comparable benchmark, $α$ controls client data skew and $ρ$ controls task-order mismatch. We evaluate representative FCL methods on CIFAR-100 and TinyImageNet using final average accuracy, average forgetting, and bottom-10\% client accuracy. We also include a graph-based Domain-IL portability case study on OGB-MolPCBA, where scaffold-domain granularity changes the input distribution while the prediction task remains fixed. Our results show that method behavior changes across easy and heterogeneous settings, that average accuracy can hide weak bottom-client performance, that task-order mismatch favors different strategies from synchronized evaluation, and that the same HERO interface can expose domain-shift difficulty beyond image-based FCIL. HERO releases benchmark streams, configurations, method implementations, and reporting scripts to support reproducible and setting-aware FCL evaluation.
• Abstract（参考訳）: Federated Continuousal Learning (FCL) は、分散クライアントがデータストリームの変更から学習し、これまで学んだ知識を維持している方法を評価する。 データセット、タスク分割、クライアントデータ分割、タスクオーダ、バックボーン、メモリ仮定、レポートルールを同時に変更することが多いため、既存の評価を比較するのは難しい。 FCLのためのヘテロジニティ対応ベンチマークライブラリである \textbf{HERO} を紹介する。 HEROは、しばしば結合される3つの選択肢、すなわち、タスク分割、クライアントデータ分割、クライアントタスクシーケンスを分離して、ベンチマークストリームを構築する。 主要なベンチマークであるHERO-Coreでは、$α$がクライアントデータスキュー、$ρ$がタスク順序ミスマッチを制御する。 CIFAR-100 および TinyImageNet 上の代表的 FCL 手法を,最終平均精度,平均忘れ度,最下位-10 % のクライアント精度を用いて評価した。 また,OGB-MolPCBAにおけるグラフベースのDomain-ILポータビリティケーススタディでは,予測タスクが固定されたまま,スキャフォールド領域の粒度が入力分布を変化させる。 この結果から,平均精度がボトムクライアント性能の低下を隠蔽し,タスク順序ミスマッチが同期評価から異なる戦略を好むこと,同じHEROインタフェースが画像ベースFCILを超えるドメインシフト困難を露呈すること,などが示唆された。 HEROは、再現性と設定を意識したFCL評価をサポートするために、ベンチマークストリーム、設定、メソッド実装、レポートスクリプトをリリースしている。

関連論文リスト

• CRAD: Class-wise Reliability-Aware Distillation for Decentralized Heterogeneous Federated Learning [3.2847672479922783]
  フェデレートラーニングのためのクラスワイド・アウェア蒸留(CRAD)を提案する。 CRADはクラス毎の信頼性(精度、逆分散)で各教師を重み付けする 世界的精度で競合する手法を一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-31T22:36:30Z)
• Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
  外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。 我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。 オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
  論文  参考訳（メタデータ） (2026-08-23T03:07:03Z)
• Automating SKILL.md Generation for Computer-Using Agents via Interaction Trajectory Mining [13.114768589139308]
  明示的なスキルライブラリにより、コンピュータ使用エージェントの検査が容易になるが、下流ポリシーを改善する方法で、インタラクションデータからそのようなライブラリをマイニングできるかどうかは不明だ。 この質問はGUIトラジェクトリ、クラスタセグメントを候補スキルに分割する3段階のパイプラインを通じて研究し、その結果のアノテーションからスキル認識ポリシーをトレーニングする。 トラジェクトリマイニングは検査可能なスキル構造を明らかにすることができるが、現在の境界検出器、秩序のないセグメント表現、オフライン報酬モデルは信頼性の高いドメイン間政策改善には不十分である。
  論文  参考訳（メタデータ） (2026-06-18T15:25:42Z)
• Beyond the Reranker: Do RAG Retrieval Enhancements Help Once a Strong Reranker Is Present? [3.77661940418406]
  クエリ拡張,階層的およびクロスドキュメント要約,グラフベースの拡張,クエリごとのルーティング,ランク融合,修正的再検索について検討した。 パイプラインの品質の大部分を、強力なクロスエンコーダリランカが占めていることを示す。 残りの再ランク法とプール拡張法は、階層的な要約、グラフ展開、ルーティング、ランク融合など、一般的な用途では、再ランカが存在すれば信頼できる利得は得られない。
  論文  参考訳（メタデータ） (2026-06-14T20:50:41Z)
• Never Seen Before: Benchmarking Genuine Zero-Shot Composed Image Retrieval with Consistent Video-Sourced Datasets [61.420656457977195]
  Zero-Shot Composed Image Retrieval (ZS-CIR) は、参照画像と相対キャプションからなるクエリに基づいて、サンプルをトレーニングせずにターゲット画像を取得することを目的としている。 既存のZS-CIRデータセットは、ノイズの多い画像ソースのため、参照画像とターゲット画像の完全な不一致に悩まされることが多い。 ZS-CIRの新しいベンチマークであるZeroSightを紹介する。
  論文  参考訳（メタデータ） (2026-06-05T08:23:25Z)
• HASA: Subnet Allocation for Compute-Constrained Model-Heterogeneous Federated Learning [6.169964580735435]
  エッジサービスは、フェデレーション学習を使用してデバイス上のモデルをパーソナライズし、機密データをローカルに保持する。 実際には、デプロイはクライアントリソースとローカルデータ分散の両方を扱う必要があります。 本稿では、クライアントの不均一度スコアに基づいて幅を割り当てる列車専用ルールであるHASAを提案する。
  論文  参考訳（メタデータ） (2026-05-30T11:21:48Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Exposing and Addressing Cross-Task Inconsistency in Unified Vision-Language Models [80.23791222509644]
  一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。 最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。 本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
  論文  参考訳（メタデータ） (2023-03-28T16:57:12Z)
• FedFA: Federated Learning with Feature Anchors to Align Features and Classifiers for Heterogeneous Data [8.677832361022809]
  フェデレーション学習は、複数のクライアントがデータを交換することなく、協調的にモデルをトレーニングすることを可能にする。 一般的な解決策は、局所訓練中に体重のばらつきや特徴の不整合を規則化する補助的な損失を含む。 我々はFederated Learning with Feature Anchors (FedFA)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-17T02:27:44Z)
• Efficient Distribution Similarity Identification in Clustered Federated Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
  クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。 既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。 以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
  論文  参考訳（メタデータ） (2022-09-21T17:37:54Z)
• Federated Multi-Target Domain Adaptation [99.93375364579484]
  フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。 分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。 本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:53:05Z)
• Learning Stable Classifiers by Transferring Unstable Features [59.06169363181417]
  本研究では,素早い相関関係の存在下での伝達学習について検討する。 提案手法は, ソースタスクで学習した安定な特徴抽出器を直接転送しても, 対象タスクのバイアスを排除できないことを実験的に実証する。 我々は、ソースタスクの不安定な特徴とターゲットタスクの不安定な特徴が直接関連していると仮定する。
  論文  参考訳（メタデータ） (2021-06-15T02:41:12Z)
• Byzantine-Resilient High-Dimensional Federated Learning [10.965065178451104]
  我々は、悪意のある/ビザンツ人クライアントの存在下で、局所的な反復を伴う勾配CV降下(SGD)を採用する。 クライアントは独自の勾配ベクトルのサブセットを取得してイテレーションを更新し、その後、ネットと通信する。 我々のアルゴリズムは、ローカルデータセットを用いた最初のビザンチン耐性アルゴリズムと分析であると信じている。
  論文  参考訳（メタデータ） (2020-06-22T03:54:36Z)

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。