Fugu-MT 論文翻訳(概要): Label Granularity Skew in Federated Learning with Hierarchical Image Classification

論文の概要: Label Granularity Skew in Federated Learning with Hierarchical Image Classification

arxiv url: http://arxiv.org/abs/2608.09236v1
Date: Mon, 10 Aug 2026 08:01:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:37.135674
Title: Label Granularity Skew in Federated Learning with Hierarchical Image Classification
Title（参考訳）: 階層的画像分類を用いたフェデレーション学習におけるラベル粒度スキュー
Abstract要約: フェデレーション学習は、ローカルデータを集中することなく、分散デバイス間でのプライバシ保護コラボレーションを可能にする。クライアントはデータ分散だけでなく、ドメインの知識やアノテーションの能力も異なります。本稿では, 階層分類における統計的不均一性の新たな形態であるラベル粒度スキューを紹介する。
参考スコア（独自算出の注目度）: 1.1196974000738729
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning enables privacy-preserving collaboration across distributed devices without centralizing local data. However, clients may differ not only in data distributions but also in domain knowledge and annotation capabilities. In this paper, we introduce label granularity skew, a new form of statistical heterogeneity in federated hierarchical classification, in which clients provide taxonomy-consistent labels at different levels of detail within a shared class hierarchy. To model this heterogeneity, we generate client-specific local label hierarchies using a probabilistic relational neighbor classifier and construct a WordNet-guided hierarchy via silhouette score-based coarsening. Our analysis shows that strongly coupled hierarchical models are sensitive to incomplete supervision, while the conditional softmax classifier is more robust. Based on this insight, we propose Branch-wise Decoupled Fine-Tuning (BDFT) and its federated version, FedBDFT, which fine-tune branch-wise classifiers and aggregate them through federated optimization. Experiments on CIFAR-100, TinyImageNet, and ImageNet show that FedBDFT substantially improves robustness under severe label granularity skew, with average gains of 27.9% and 56.4% at skewness levels of 0.6 and 0.9, respectively. Zero-shot results further indicate that FedBDFT better preserves hierarchical representations for unseen fine-grained classes. These findings demonstrate its effectiveness for federated hierarchical classification with heterogeneous label granularities.
Abstract（参考訳）: フェデレーション学習は、ローカルデータを集中することなく、分散デバイス間でのプライバシ保護コラボレーションを可能にする。しかし、クライアントはデータ分散だけでなく、ドメインの知識やアノテーションの能力も異なります。本稿では,階層分類における統計的不均一性の新たな形態であるラベル粒度スキューを紹介する。この不均一性をモデル化するために、確率的リレーショナル隣りの分類器を用いてクライアント固有のローカルラベル階層を生成し、シルエットスコアに基づく粗大化によるWordNet誘導階層を構築する。解析の結果,強い結合型階層モデルは不完全な監督に敏感であり,条件付きソフトマックス分類器はより堅牢であることがわかった。そこで本研究では,ブランチワイド・ファインチューニング(BDFT)とそのフェデレーションバージョンであるFedBDFTを提案する。 CIFAR-100、TinyImageNet、ImageNetの実験では、FedBDFTは重度ラベルの粒度スキューにおいて、それぞれ0.6と0.9で平均27.9%、56.4%の強靭性を著しく改善している。ゼロショットの結果はさらに、FedBDFTは目に見えないきめ細かいクラスに対する階層表現をよりよく保存していることを示している。これらの結果から,同種ラベルの粒度を用いた階層分類の有用性が示唆された。

関連論文リスト

Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
論文参考訳（メタデータ） (2026-06-20T02:12:05Z)
Fed-BAC: Federated Bandit-Guided Additive Clustering in Hierarchical Federated Learning [4.998584084394827]
本稿では,加法クラスタのパーソナライズと2レベルバンディットフレームワークを統合したFed-BACを提案する。 Fed-BAC は HierFAVG よりは +35.5pp 、IFCA よりは +8.4pp の分散精度を達成している。
論文参考訳（メタデータ） (2026-05-12T09:07:52Z)
Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
論文参考訳（メタデータ） (2025-11-14T03:05:22Z)
Towards Privacy-Preserving Fine-Grained Visual Classification via Hierarchical Learning from Label Proportions [25.974006393027228]
本稿では,インスタンスラベルに直接アクセスすることなく,高精度な粒度認識を実現することを目的とする。既存のLPPベースの手法とは異なり、我々のフレームワークはきめ細かいデータセットの階層的性質を明示的に活用する。
論文参考訳（メタデータ） (2025-05-29T03:18:25Z)
AdaFGL: A New Paradigm for Federated Node Classification with Topology Heterogeneity [44.11777886421429]
Federated Graph Learning (FGL) はグラフニューラルネットワークに基づく分散フレームワークとして注目されている。構造的非イド分割の概念を導入し、次に、UnderlineAdaptive UnderlineFederated UnderlineGraph UnderlineLearning (AdaFGL)と呼ばれる新しいパラダイムを示す。提案したAdaFGLは,コミュニティ分割の3.24%,コミュニティ分割の5.57%,非イド分割の5.57%でベースラインを上回った。
論文参考訳（メタデータ） (2024-01-22T08:23:31Z)
Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-30T00:32:47Z)
Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文参考訳（メタデータ） (2022-04-27T21:41:44Z)
Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文参考訳（メタデータ） (2021-07-03T01:28:42Z)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
Self-labeled Conditional GANs [2.9189409618561966]
本稿では,データからラベルを自動的に取得する条件付きGANトレーニングのための,新しい,完全に教師なしのフレームワークを提案する。我々は、クラスタリングネットワークを標準的な条件付きGANフレームワークに組み込み、差別化と対戦する。
論文参考訳（メタデータ） (2020-12-03T18:46:46Z)

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。