Fugu-MT 論文翻訳(概要): Every Client Is an Environment: Federated De-confounding for Spatio-Temporal Forecasting

論文の概要: Every Client Is an Environment: Federated De-confounding for Spatio-Temporal Forecasting

arxiv url: http://arxiv.org/abs/2607.24218v1
Date: Mon, 27 Jul 2026 09:50:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:15.378569
Title: Every Client Is an Environment: Federated De-confounding for Spatio-Temporal Forecasting
Title（参考訳）: すべてのクライアントは環境である: 時空間予測のためのフェデレーションされたデコンバウンディング
Abstract要約: 本稿では,クライアントを個別の因果関係とみなす新しいフェデレーション・デコンバウンディング・フレームワークを提案する。我々は, 平均結束強度によって線形に制御される, 理論的に有界な解離境界を導出する。実験では、フェデレートされたベースラインを一貫して上回り、転送可能、解釈可能、通信効率の良い環境表現を提供する。
参考スコア（独自算出の注目度）: 39.11762381290371
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated learning has emerged as a promising paradigm for spatio-temporal forecasting (STF), enabling collaborative model training without sharing raw observations. Existing federated STF methods primarily regard cross-client heterogeneity as an optimization challenge and mitigate it through personalized approaches. However, such heterogeneity fundamentally stems from diverse \emph{environmental conditions}, and these methods capture environment-specific forecasting patterns, hardly generalizing under environmental shifts. Our key insight is that the environmental diversity across federated clients should be exploited, as they provide \emph{complementary observations of the same underlying spatio-temporal system}. Based on this insight, we propose \method, a novel federated de-confounding framework that \textbf{treats clients as distinct causal environments}. \method leverages the client heterogeneity as distributed environmental evidence and learns a global prototype codebook to capture shared environmental regimes. We further derive a theoretical federated de-confounding bound that is linearly controlled by the averaged confounding strength. Extensive experiments demonstrate that \method consistently outperforms federated baselines, while providing transferable, interpretable, and communication-efficient environmental representations.
Abstract（参考訳）: フェデレーテッド・ラーニングは時空間予測(STF)のための有望なパラダイムとして登場し、生の観測を共有せずに協調的なモデルトレーニングを可能にしている。既存のSTF手法は、クロスクラクエントな不均一性を最適化の課題とみなし、パーソナライズされたアプローチによって緩和する。しかし、このような異質性は基本的に多様な環境条件から来ており、これらの手法は環境固有の予測パターンを捉えることができ、環境シフト下での一般化はほとんどない。我々のキーとなる洞察は、フェデレートされたクライアント間での環境多様性を活用すべきであり、それらが、同じ時空間システムに関する'emph{complementary observed of the underlying spatio-temporal system} を提供するからである。この知見に基づいて,クライアントを別個の因果環境として扱う新しいフェデレーション・デコンウンディング・フレームワークである‘method’を提案する。 \methodは、クライアントの不均一性を分散環境証拠として活用し、共有環境体制を捉えるためのグローバルプロトタイプコードブックを学習する。さらに, 平均結束強度によって線形に制御される, 理論的に有界な解離境界を導出する。大規模な実験では、フェデレートされたベースラインを一貫して上回り、転送可能、解釈可能、通信効率の良い環境表現を提供する。

関連論文リスト

Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用い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、堅牢性、およびクロスクライアント適応性において、連邦化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） (2026-01-31T03:11:51Z)
Environment-Conditioned Tail Reweighting for Total Variation Invariant Risk Minimization [14.19414103184649]
アウト・オブ・ディストリビューション(OOD)の一般化は、モデルが環境間の相関シフトに同時に遭遇する場合に困難である。既存の不変リスク最小化法(IRM)は、主に環境レベルでの急激な相関に対処する。環境条件付きテール再重み付けによりテレビベースの不変学習を増強する統合フレームワークであるECTR(Total Variation Invariant Risk Minimization)について,環境条件付きテール再重み付けを提案する。
論文参考訳（メタデータ） (2026-01-30T13:03:04Z)
Local Performance vs. Out-of-Distribution Generalization: An Empirical Analysis of Personalized Federated Learning in Heterogeneous Data Environments [3.186130813218338]
本研究は,その局所的性能と一般化能力の両方を包含して,フェデレートラーニングアプローチを徹底的に評価することを含む。本稿では、FLIU (Federated Learning with individualized Updates) に指定されたFedAvgの修正手法を提案し、適応的パーソナライゼーション係数でアルゴリズムをパーソナライゼーションステップで拡張する。
論文参考訳（メタデータ） (2025-10-28T15:15:14Z)
FedGPS: Statistical Rectification Against Data Heterogeneity in Federated Learning [103.45987800174724]
フェデレートラーニング(FL)は、データ不均一(data heterogeneity)として知られる重要な課題に直面し、モデルの性能と収束を損なう。統計分布と勾配情報をシームレスに統合する新しいフレームワークである textbfFedGPS を提案する。
論文参考訳（メタデータ） (2025-10-23T06:10:11Z)
FedSC: Federated Learning with Semantic-Aware Collaboration [12.366529890744822]
フェデレートラーニング(FL)は、プライバシ保護のためのデータを共有することなく、クライアント間で協調的にモデルをトレーニングすることを目的としている。不均一なクライアント間でクライアント固有のクラス関連知識を収集するために,FedSC(Federated Learning with Semantic-Aware Collaboration)を提案する。
論文参考訳（メタデータ） (2025-06-26T05:04:55Z)
On Global Convergence Rates for Federated Policy Gradient under Heterogeneous Environment [14.366821866598803]
本稿では、ソフトマックスに着想を得たパラメータ化を慎重に構築したポリシー勾配法であるb-RS-FedPGを紹介する。我々は, b-RS-FedPG のほぼ最適定常政策への明確な収束率を示す。
論文参考訳（メタデータ） (2025-05-29T14:08:35Z)
A Randomized Zeroth-Order Hierarchical Framework for Heterogeneous Federated Learning [3.797867929356259]
階層的最適化問題として不均一FLを定式化した新しいフレームワークを提案する。この新しいフレームワークは、双方向の定式化を通じて、ローカルとグローバルの両方のトレーニングプロセスをキャプチャする。画像分類タスクに本手法を実装し,異なる異種条件下での他の手法との比較を行った。
論文参考訳（メタデータ） (2025-04-02T15:44:59Z)
Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文参考訳（メタデータ） (2025-01-17T04:00:50Z)
Certifiably Robust Policies for Uncertain Parametric Environments [57.2416302384766]
本稿ではパラメータ上の未知分布を持つパラメトリックマルコフ決定プロセス(MDP)に基づくフレームワークを提案する。パラメータによって誘導される未知のサンプル環境に対するIMDPの学習と解析を行う。当社のアプローチは,信頼度の高い政策のパフォーマンスに厳密な拘束力をもたらすことを示す。
論文参考訳（メタデータ） (2024-08-06T10:48:15Z)
Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。本稿では,共形予測を連邦学習環境に拡張する。本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文参考訳（メタデータ） (2023-05-27T19:57:27Z)
An Adaptive Deep RL Method for Non-Stationary Environments with Piecewise Stable Context [109.49663559151377]
未知の環境コンテキストへの適応に関する既存の作業は、コンテキストが全エピソードで同じであると仮定するか、コンテキスト変数がマルコフ的であると仮定するかのどちらかである。本稿では,textittextbfSegmented textbfContext textbfBelief textbfAugmented textbfDeep(SeCBAD) RL法を提案する。提案手法は,潜在コンテキスト上の信念分布と後方セグメント長とを共同で推定し,観測データを用いたより正確な信念コンテキスト推定を行う。
論文参考訳（メタデータ） (2022-12-24T13:43:39Z)

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。