論文の概要: FeDepth: Federated Learning for Depth Estimation under Robot Heterogeneity

• arxiv url: http://arxiv.org/abs/2608.01129v1
• Date: Sun, 02 Aug 2026 10:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.09048
• Title: FeDepth: Federated Learning for Depth Estimation under Robot Heterogeneity
• Title（参考訳）: FeDepth: ロボットの不均一性を考慮した深度推定のためのフェデプス学習
• Abstract要約: フェデレートラーニング(FL)は、生のデータ転送なしで分散トレーニングを可能にする代替手段を提供する。 FLは、クライアント間の不均一性によって引き起こされるドメインシフトの下で、深刻なパフォーマンス劣化に悩まされる。 ソフトクラスタリングによるクライアント関係をモデル化するディスクリプタベースのクラスタリングFLフレームワークFeDepthを提案する。
• 参考スコア（独自算出の注目度）: 16.68753367412731
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although recent robot perception research emphasizes training on data from diverse environments to improve generalization, most existing methods still rely on centralized learning, which is inefficient and difficult to scale across heterogeneous robot platforms. Federated learning (FL) offers an alternative by enabling distributed training without raw data transfer, but it suffers from severe performance degradation under domain shifts caused by heterogeneity across clients. In real robotic deployments, data distributions often overlap across platforms, environments, and sensing conditions, making it difficult to partition clients into clearly separated domains. However, this characteristic breaks the assumption of clearly separable client domains commonly used in clustered FL. To address this gap in robot perception, particularly in depth estimation, we introduce two realistic and unexplored non-IID scenarios that reflect heterogeneity in terms of platform, environment, and depth distribution. We then propose FeDepth, a descriptor-based clustered FL framework that models client relationships through soft clustering. Unlike hard clustering methods that assume clearly separated clusters, FeDepth allows clients to participate in multiple clusters, capturing continuous and ambiguous domain transitions commonly observed in robotic environments. Extensive experiments demonstrate that FeDepth consistently improves robustness over standard FL and clustered FL baselines across multiple depth estimation architectures, providing a practical and effective solution for federated robot perception. Our project page is available at https://vision3d-lab.github.io/fedepth/.
• Abstract（参考訳）: 最近のロボット知覚研究は、一般化を改善するために多様な環境からのデータのトレーニングを強調しているが、既存のほとんどの方法は、非効率で不均一なロボットプラットフォームにまたがるスケールが難しい集中型学習に依存している。 フェデレートラーニング(FL)は、生のデータ転送なしで分散トレーニングを可能にする代替手段を提供するが、クライアント間の不均一性に起因するドメインシフトによるパフォーマンス低下に悩まされる。 実際のロボットデプロイメントでは、データ分散はプラットフォーム、環境、センシング条件間で重複することが多く、クライアントを明確に分離されたドメインに分割することは困難である。 しかし、この特徴はクラスタ化FLでよく使われる明確に分離可能なクライアントドメインの仮定を破る。 ロボット認識におけるこのギャップ,特に深度推定に対処するために,プラットフォーム,環境,深度分布の両面において不均一性を反映する2つの現実的・未探索な非IIDシナリオを導入する。 次に、ソフトクラスタリングによるクライアント関係をモデル化するディスクリプタベースのクラスタリングFLフレームワークFeDepthを提案する。 FeDepthは、明確に分離されたクラスタを仮定するハードクラスタ方式とは異なり、複数のクラスタにクライアントが参加できるようにし、ロボット環境でよく見られる連続的およびあいまいなドメイン遷移をキャプチャする。 大規模な実験により、FeDepthは標準的なFLと複数の深さ推定アーキテクチャをまたいだFLベースラインを一貫して改善し、連邦化されたロボット知覚のための実用的で効果的なソリューションを提供する。 プロジェクトのページはhttps://vision3d-lab.github.io/fedepth/.com/で公開されている。

関連論文リスト

• Diffusion-Guided Semantic Consistency for Multimodal Heterogeneity [44.06048719126853]
  フェデレートラーニングは、非独立かつ同一に分散された(非IID)クライアントデータによって深刻な課題を抱える。 本稿では,事前学習した拡散モデルのリッチな意味表現を活用する新しいフレームワークSemanticFLを紹介する。 以上の結果から,SemanticFLは既存のフェデレート学習手法を超越し,FedAvgの5.49%の精度向上を実現した。
  論文  参考訳（メタデータ） (2026-03-19T04:44:37Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• UnifiedFL: A Dynamic Unified Learning Framework for Equitable Federation [5.972927416266618]
  フェデレートラーニングは、生データを共有せずに複数のクライアント間で協調的なモデルトレーニングを行うための重要なパラダイムとして登場した。 We propose UnifiedFL, a dynamic federated learning framework which represent heterogeneous local network as node and edge in a directed model graph。
  論文  参考訳（メタデータ） (2025-10-30T11:01:57Z)
• One-Shot Clustering for Federated Learning Under Clustering-Agnostic Assumption [0.7990816079551591]
  One-Shot Clustered Federated Learning (OCFL)は、クラスタリングに最も適した瞬間を自動的に検出するクラスタリングに依存しないアルゴリズムである。 5つのベンチマークデータセット上で40以上のタスクに対して、様々なワンショットクラスタリングアルゴリズムをテストすることで、我々の方法論を実証的に評価する。
  論文  参考訳（メタデータ） (2025-09-01T16:18:51Z)
• Shift Happens: Mixture of Experts based Continual Adaptation in Federated Learning [2.226380516049157]
  フェデレートラーニング(FL)は、生データを共有することなく、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,検出された分散シフトに応じて,特殊なグローバルモデルを動的に生成し,訓練する専門家フレームワークのシフト対応ミックスであるShiftExを紹介する。 本研究では,5.5-12.9ポイントの精度向上と22-95%の適応率を示す。
  論文  参考訳（メタデータ） (2025-06-23T15:59:21Z)
• 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)
• 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)
• Gradient Masked Averaging for Federated Learning [24.687254139644736]
  フェデレートラーニングは、統一グローバルモデルの学習を協調するために、異種データを持つ多数のクライアントを可能にする。 標準FLアルゴリズムは、サーバのグローバルモデルを近似するために、モデルパラメータや勾配の更新を平均化する。 本稿では,クライアント更新の標準平均化の代替として,FLの勾配マスク平均化手法を提案する。
  論文  参考訳（メタデータ） (2022-01-28T08:42:43Z)
• 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)
• A Bayesian Federated Learning Framework with Online Laplace Approximation [144.7345013348257]
  フェデレートラーニングは、複数のクライアントが協力してグローバルに共有されたモデルを学ぶことを可能にする。 クライアント側とサーバ側の両方の後方部を近似するために,オンラインラプラス近似を用いた新しいFLフレームワークを提案する。 提案手法の利点を実証し,いくつかのベンチマークで最新の結果を得た。
  論文  参考訳（メタデータ） (2021-02-03T08:36:58Z)

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。