論文の概要: FedLBW: A Loss-Based Weighting Strategy for Federated Learning on Non-IID Data in Wireless Networks

• arxiv url: http://arxiv.org/abs/2608.07007v1
• Date: Fri, 07 Aug 2026 09:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.447726
• Title: FedLBW: A Loss-Based Weighting Strategy for Federated Learning on Non-IID Data in Wireless Networks
• Title（参考訳）: FedLBW: 無線ネットワークにおける非IIDデータに基づくフェデレーション学習のための損失に基づく重み付け戦略
• Abstract要約: フェデレートラーニング(FL)は、プライバシを保持しながら、分散クライアント間でのコラボレーティブ機械学習(ML)を可能にする。 FedAvgのような従来のFLアルゴリズムは、クライアント更新を重み付けするためにデータセットのサイズのみに依存している。 FedLBW(Federated Learning with Loss-Based Weighting)は、各クライアントの更新を検証損失の逆の重みに割り当てる新しいアグリゲーション手法である。
• 参考スコア（独自算出の注目度）: 2.4851820343103035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables collaborative machine learning (ML) across distributed clients while preserving privacy. However, efficient model convergence in FL remains challenging, especially in wireless networks where non-independent and identically distributed (non-IID) data and frequent client dropouts are common. Traditional FL algorithms, such as FedAvg, rely solely on dataset size to weight client updates. This introduces biases towards clients with larger datasets and makes the process sensitive to non-IID data, outliers, and client dropouts. To address these challenges, we propose Federated Learning with Loss-Based Weighting (FedLBW), a novel aggregation method that assigns each client's update a weight proportional to the inverse of its validation loss, computed using a small proxy dataset on the server, rather than its dataset size. This ensures that lower-loss models exert greater influence during aggregation, prioritizing the most reliable updates and boosting overall performance. Through extensive experiments across multiple datasets, including FashionMNIST (CNN), CIFAR-10 (ResNet-18), and CIFAR-100 (ResNet-34), we demonstrate that FedLBW achieves higher accuracy and faster convergence compared to baseline algorithms such as FedAvg, FedAvgM, FedProx, FedNova, FedLAW and FedDkw, with notable improvements of up to 7.6 % higher accuracy on CIFAR-10 in extreme non-IID cases. Moreover, FedLBW showcases exceptional resilience to increasing dropout probabilities, consistently maintaining significantly higher accuracy even in challenging conditions. These results establish FedLBW as an effective and resilient solution for FL in wireless network environments, offering marked improvements in model accuracy, convergence speed, and robustness to non-IID data and client dropouts.
• Abstract（参考訳）: フェデレートラーニング(FL)は、プライバシを保持しながら、分散クライアント間でのコラボレーティブ機械学習(ML)を可能にする。 しかし、FLにおける効率的なモデル収束は、特に非独立で同一に分散した(非IID)データと頻繁なクライアントのドロップアウトが一般的である無線ネットワークにおいて、依然として困難である。 FedAvgのような従来のFLアルゴリズムは、クライアント更新を重み付けするためにデータセットのサイズのみに依存している。 これにより、より大きなデータセットを持つクライアントに対するバイアスが発生し、プロセスは非IIDデータ、外れ値、クライアントのドロップアウトに敏感になる。 これらの課題に対処するために,フェデレートラーニングとロスベース重み付け(FedLBW)を提案する。これは,各クライアントの更新を,データセットのサイズではなく,サーバ上の小さなプロキシデータセットを用いて計算した検証損失の逆数に比例した重み付けを割り当てる,新しいアグリゲーション手法である。 これにより、低損失モデルがアグリゲーションの間に大きな影響を与え、最も信頼性の高い更新を優先順位付けし、全体的なパフォーマンスを高めることができる。 FashionMNIST(CNN)、CIFAR-10(ResNet-18)、CIFAR-100(ResNet-34)を含む複数のデータセットにわたる広範な実験を通じて、FedLBWは、FedAvg、FedAvgM、FedProx、FedNova、FedLAW、FedDwといったベースラインアルゴリズムと比較して精度が高く、より高速な収束を実現し、CIFAR-10の極端な非IIDケースでは最大7.6%の精度向上を実現している。 さらに、FedLBWは、降雨確率の増大に対する例外的なレジリエンスを示し、挑戦条件においても高い精度を維持している。 これらの結果は、FedLBWを無線ネットワーク環境におけるFLの有効かつレジリエントなソリューションとして確立し、モデル精度、収束速度、非IIDデータおよびクライアントのドロップアウトに対する堅牢性を大幅に改善した。

関連論文リスト

• FedTVD: Balancing Data Quality and Quantity for Robust Federated Learning [1.7205106391379026]
  Federated Learning (FL)は、分散クライアントデバイス間の協調的なモデルトレーニングを可能にする。 我々は,データ品質と量の両方を考慮して,集約中のクライアントのコントリビューションを重み付けする新しいFLアルゴリズムであるFedTVDを提案する。 FedTVDは、すべてのデータセットで最先端のメソッドを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-08-10T07:45:25Z)
• 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)
• Stragglers Can Contribute More: Uncertainty-Aware Distillation for Asynchronous Federated Learning [61.249748418757946]
  Asynchronous Federated Learning (FL)は、その効率性とスケーラビリティの向上に注目されている。 我々は,不確実性を考慮した蒸留を組み込んだ新しいフレームワークであるFedEchoを提案し,非同期FL性能を向上する。 FedEchoが既存の非同期フェデレーション学習ベースラインを一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-11-25T06:25:25Z)
• FedCLF -- Towards Efficient Participant Selection for Federated Learning in Heterogeneous IoV Networks [11.632031365965878]
  Federated Learning(FL)は、クライアントデータの代わりにトレーニング済みパラメータのみを共有することで、データのプライバシを保存する分散機械学習技術である。 本稿では,クライアントのサンプリング周波数を動的に調整するフィードバック制御機構と選択プロセスにおいて,キャリブレーション損失をユーティリティとして導入する,キャリブレーション損失とフィードバック制御を備えたFedCLFを提案する。
  論文  参考訳（メタデータ） (2025-09-25T04:51:38Z)
• FedBWO: Enhancing Communication Efficiency in Federated Learning [4.788163807490197]
  フェデレートラーニング(FL)は、分散機械学習(ML)のセットアップで、共有モデルは、データをプライベートにしながら、ローカルデータセットを使用して、さまざまなクライアントによって協調的にトレーニングされる。 リソースの制約を考慮すると、クライアントの数とデータ量(モデルウェイト)がボトルネックにつながる可能性がある。 本稿では,Federated Black Widow Optimization (FedBWO) 技術を導入し,クライアントのローカルモデル重みではなく,パフォーマンススコアのみを送信することで送信データ量を削減する。
  論文  参考訳（メタデータ） (2025-05-07T14:02:35Z)
• 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)
• Strategic Client Selection to Address Non-IIDness in HAPS-enabled FL Networks [21.446301665317378]
  非IIDデータの悪影響を軽減するために,属性に基づく新たなクライアント選択手法を提案する。 シミュレーション結果は、FLモデルの精度と収束率を高めるために提案したクライアント選択戦略の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2024-01-10T18:22:00Z)
• FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
  我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。 我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-12-14T13:57:01Z)
• FedDRL: Deep Reinforcement Learning-based Adaptive Aggregation for Non-IID Data in Federated Learning [4.02923738318937]
  異なるエッジデバイス(クライアント)にまたがるローカルデータの不均一な分散は、フェデレート学習における遅いモデルトレーニングと精度の低下をもたらす。 この研究は、実世界のデータセット、すなわちクラスタスキューで発生する新しい非IID型を導入している。 我々は,各クライアントのインパクト要因を適応的に決定するために,深層強化学習を用いた新しいFLモデルであるFedDRLを提案する。
  論文  参考訳（メタデータ） (2022-08-04T04:24:16Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
  フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。 本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
  論文  参考訳（メタデータ） (2021-04-27T18:23:54Z)

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。