論文の概要: Encryption-Compatible Clustered Federated Learning via Distributed Expectation-Maximization over Metadata

• arxiv url: http://arxiv.org/abs/2607.28338v1
• Date: Thu, 30 Jul 2026 15:04:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.618826
• Title: Encryption-Compatible Clustered Federated Learning via Distributed Expectation-Maximization over Metadata
• Title（参考訳）: 分散期待最大化による暗号化互換クラスタ型フェデレーション学習
• Abstract要約: クラスタ化されたフェデレーション学習(CFL)は、フェデレーションされた設定におけるデータの不均一性に対処するため、クライアントに同様のデータ分散をグループ化して効果的なトレーニングを可能にする。 既存の手法は、プライバシー保護、通信コスト、計算効率のトレードオフに直面している。 我々はこれをCFLのトリレンマとして定式化し、これら2つの次元の改善は第3の次元を犠牲にして行われる。
• 参考スコア（独自算出の注目度）: 0.41765120028423003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustered Federated Learning (CFL) addresses data heterogeneity in federated settings by grouping clients with similar data distributions to enable effective training. Existing methods face a trade-off between privacy preservation, communication cost, and computational efficiency. We formalize this as the CFL trilemma, according to which improving two of these dimensions comes at the expense of the third. A prominent paradigm relies on metadata (i.e., low-dimensional representations of client datasets shared with the server) to enable communication- and computation-efficient clustering. However, such approaches are not compatible with standard FL privacy-preserving mechanisms. To address this limitation, we propose FLAMECHE, which reformulates metadata-based CFL as a distributed Expectation-Maximization (EM) procedure, restricting server updates to additive operations while preserving efficiency. This design enables compatibility with practical secure FL schemes. We conducted extensive experiments on multiple datasets under various heterogeneous scenarios. Results show that FLAMECHE improves the effectiveness of client models. It enables encryption-compatible metadata-based clustering, enhancing its positioning within the CFL trilemma.
• Abstract（参考訳）: クラスタ化されたフェデレーション学習(CFL)は、フェデレーションされた設定におけるデータの不均一性に対処するため、クライアントに同様のデータ分散をグループ化して効果的なトレーニングを可能にする。 既存の手法は、プライバシー保護、通信コスト、計算効率のトレードオフに直面している。 我々はこれをCFLのトリレンマとして定式化し、これら2つの次元の改善は第3の次元を犠牲にして行われる。 顕著なパラダイムは、通信および計算効率のクラスタリングを可能にするためにメタデータ(すなわち、サーバと共有されるクライアントデータセットの低次元表現)に依存している。 しかし、そのようなアプローチは標準のFLプライバシー保護機構と互換性がない。 この制限に対処するために,メタデータベースのCFLを分散期待最大化(EM)手順として再構成し,効率を保ちながらサーバ更新を付加操作に制限するFLAMECHEを提案する。 この設計は、実用的なセキュアなFLスキームとの互換性を実現する。 我々は多種多様なシナリオ下で複数のデータセットについて広範な実験を行った。 その結果,FLAMECHEはクライアントモデルの有効性を向上させることがわかった。 暗号化互換のメタデータベースのクラスタリングを可能にし、CFLのトリレンマ内での位置を拡大する。

関連論文リスト

• Federated Fine-Tuning of LLMs: Framework Comparison and Research Directions [59.5243730853157]
  Federated Learning(FL)は、分散プライベートデータセットを使用して、トレーニング済みの大規模言語モデル(LLM)を微調整するための、プライバシ保護ソリューションを提供する。 本稿では、知識蒸留(KD)とスプリットラーニング(SL)を統合し、これらの問題を緩和する3つの先進的連合LLM(FedLLM)フレームワークの比較分析を行う。
  論文  参考訳（メタデータ） (2025-01-08T11:37:06Z)
• Modality Alignment Meets Federated Broadcasting [9.752555511824593]
  フェデレートラーニング(FL)は、ローカルデータを集中化せずに、分散エッジデバイス間でモデルをトレーニングすることで、データのプライバシを保護する強力なアプローチとして登場した。 本稿では,テキストエンコーダをサーバ上に配置し,画像エンコーダをローカルデバイス上で動作させる,モダリティアライメントを利用した新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:30:03Z)
• EncCluster: Scalable Functional Encryption in Federated Learning through Weight Clustering and Probabilistic Filters [3.9660142560142067]
  フェデレートラーニング(FL)は、アグリゲーションサーバにのみローカルモデルの更新を通信することで、分散デバイス間のモデルトレーニングを可能にする。 FLはモデル更新送信中に推論攻撃に弱いままである。 本稿では、重みクラスタリングによるモデル圧縮と、最近の分散型FEとプライバシ強化データエンコーディングを統合する新しい方法であるEncClusterを提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:16:50Z)
• Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
  フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。 本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T07:25:21Z)
• Privacy and Accuracy Implications of Model Complexity and Integration in Heterogeneous Federated Learning [8.842172558292027]
  分散機械学習のプライバシ保護ソリューションとしてフェデレートラーニング(FL)が提案されている。 近年の研究では、クライアントデータのプライバシを損なうことができるMIA攻撃の影響が指摘されている。
  論文  参考訳（メタデータ） (2023-11-29T15:54:15Z)
• 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)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Dubhe: Towards Data Unbiasedness with Homomorphic Encryption in Federated Learning Client Selection [16.975086164684882]
  Federated Learning(FL)は、クライアントが自身のローカルデータ上でモデルを協調的にトレーニングできる分散機械学習パラダイムである。 FLの性能劣化の原因を数学的に検証し,様々なデータセット上でのFLの性能について検討する。 そこで我々はDubheという名のプラグイン可能なシステムレベルのクライアント選択手法を提案し,HEの助けを借りてクライアントを積極的にトレーニングに参加させ,プライバシを保護できるようにする。
  論文  参考訳（メタデータ） (2021-09-08T13:00:46Z)

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。