論文の概要: Multimodal Federated Learning under Dual-Axis Modality Missingness

• arxiv url: http://arxiv.org/abs/2608.09240v1
• Date: Mon, 10 Aug 2026 08:05:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.136791
• Title: Multimodal Federated Learning under Dual-Axis Modality Missingness
• Title（参考訳）: Dual-Axis Modality Missingnessにおけるマルチモーダルフェデレーション学習
• Abstract要約: マルチモーダル・フェデレート・ラーニング(Multimodal Federated Learning, FL)は、プライバシに敏感なヘルスセンシングと医療環境における協調モデリングを支援する。 2つの相補的なコンポーネントを中心に構築されたマルチモーダル・フェデレート学習フレームワークであるFluxを提案する。 Fluxはデータセットごとの平均マクロF1を達成し、データセット固有のベースラインを平均0.82.2ポイント、平均1.6ポイントで上回っている。
• 参考スコア（独自算出の注目度）: 18.780586407865055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal federated learning (FL) supports collaborative modeling in privacy-sensitive health-sensing and medical settings, but realistic deployments often exhibit dual-axis modality missingness: clients have different modality sets, and individual samples may contain only subsets of the modalities available locally. Existing methods typically address these two axes separately. We propose Flux, a multimodal federated learning framework built around two complementary components. First, modality-aware confidence tempering learns sample-specific confidence for each modality through mask-aware unimodal supervision and fuses the confidence estimates from observed modalities into a sample-adaptive temperature that adjusts predictive sharpness according to evidence quality and completeness. Second, gradient-decoupled private adaptation applies this temperature only to a client-private prediction pathway, while training the shared federated model with a standard, untempered objective. This enables sample-specific, client-local confidence adaptation without allowing confidence-dependent gradients to perturb shared representation learning. Across four multimodal datasets, Flux achieves the highest average macro-F1 on every dataset, outperforming the strongest dataset-specific baseline by 0.8~2.2 points and by 1.6 points on average. Additional analyses demonstrate favorable calibration, temperature sensitivity to both modality missingness and input corruption, and more stable shared optimization under private-only tempering. Our code is available at https://github.com/AdibaOrz/Flux.
• Abstract（参考訳）: マルチモーダル・フェデレート・ラーニング(FL)は、プライバシに敏感なヘルスセンシングと医療設定の協調モデリングをサポートするが、現実的な展開は、しばしば二重軸のモダリティの欠如を示す:クライアントは異なるモダリティセットを持ち、個々のサンプルは、ローカルで利用可能なモダリティのサブセットのみを含むことができる。 既存の方法は2つの軸を別々に扱うのが一般的である。 2つの相補的なコンポーネントを中心に構築されたマルチモーダル・フェデレート学習フレームワークであるFluxを提案する。 第一に、モダリティを意識した信頼度テンパリングは、マスクを意識したアンモダリティ監視を通じて各モダリティに対するサンプル固有の信頼度を学習し、観察されたモダリティからの信頼度推定を、証拠品質と完全性に応じて予測シャープネスを調整するサンプル適応温度に融合する。 第二に、勾配分離されたプライベート適応はこの温度をクライアントのプライベートな予測経路にのみ適用し、標準の非干渉目的の共有フェデレーションモデルをトレーニングする。 これにより、信頼に依存した勾配が共通の表現学習を摂動させることなく、サンプル固有のクライアントローカルな信頼適応が可能になる。 4つのマルチモーダルデータセットの中で、Fluxはデータセットごとの平均マクロF1を達成し、データセット固有のベースラインを0.8～2.2ポイント、平均1.6ポイント上回っている。 さらなる分析では、校正が適しており、モダリティの欠如と入力の破損の両方に対する温度感度が向上し、より安定した共有最適化が可能となった。 私たちのコードはhttps://github.com/AdibaOrz/Flux.comで公開されています。

関連論文リスト

• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• DecepGPT: Schema-Driven Deception Detection with Multicultural Datasets and Robust Multimodal Learning [64.33887406863899]
  マルチモーダル偽装検出は、法医学とセキュリティのための聴覚的手がかりを解析することにより、偽装行動を特定することを目的としている。 既存のベンチマークでは、中間的な推論手段を使わずにバイナリラベルのみを提供する。 構造的キューレベルの記述と推論チェーンを用いた推論データセットを構築した。 1695年のサンプルでは、非実験的偽装検出データセットとしては最大である。
  論文  参考訳（メタデータ） (2026-03-25T04:06:36Z)
• 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)
• Whom to Trust? Adaptive Collaboration in Personalized Federated Learning [11.923664505655026]
  共同作業における適応性ときめ細かな信頼は、個々の事例のレベルで、フェデレートされた半教師付き学習において達成可能であることを示す。 FEDMOSAICは、顧客による個人別合意と信頼度に基づいて、その損失と擬似ラベルへの貢献を重み付けするパーソナライズされた協調学習手法である。
  論文  参考訳（メタデータ） (2025-06-30T20:53:01Z)
• FedAPM: Federated Learning via ADMM with Partial Model Personalization [12.72555825043549]
  FL(Federated Learning)では、異なるデバイスからのデータセットが独立であり、同じ分散(すなわち、同じ分散)であるという仮定は、ユーザ差によって保持されないことが多い。 本稿では、FedAPMと呼ばれる乗算器の交互方向法(ADMM)に基づくFLフレームワークを提案し、クライアントのドリフトを緩和する。
  論文  参考訳（メタデータ） (2025-06-05T06:38:29Z)
• Blockchain-Enabled Privacy-Preserving Second-Order Federated Edge Learning in Personalized Healthcare [1.859970493489417]
  フェデレートラーニング(FL)は、従来のクラウド中心の機械学習モデルにおいて、セキュリティとプライバシの課題に注目が集まっている。 1次FLアプローチは、異種非独立で同一に分散された(非id)データにより、パーソナライズされたモデルトレーニングにおいていくつかの課題に直面している。 近年,2次FLアプローチは,パーソナライズされたモデルトレーニングを改善しつつ,非IDデータセットの安定性と一貫性を維持している。
  論文  参考訳（メタデータ） (2025-05-31T06:41:04Z)
• pFedAFM: Adaptive Feature Mixture for Batch-Level Personalization in Heterogeneous Federated Learning [34.01721941230425]
  教師付き学習タスクのための適応的特徴混合(pFedAFM)を用いたモデルヘテロジニアスなフェデレート学習手法を提案する。 7つの最先端のMHPFL法を著しく上回り、精度は7.93%まで向上した。
  論文  参考訳（メタデータ） (2024-04-27T09:52:59Z)
• Confidence-aware Personalized Federated Learning via Variational Expectation Maximization [34.354154518009956]
  パーソナライズド・フェデレーション・ラーニング(PFL)のための新しいフレームワークを提案する。 PFLは、クライアント間で共有モデルをトレーニングする分散学習スキームである。 階層的モデリングと変分推論に基づくPFLの新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T20:12:27Z)
• 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)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Towards Semi-Supervised Deep Facial Expression Recognition with An Adaptive Confidence Margin [92.76372026435858]
  Ada-CM(Adaptive Confidence Margin)を学習し、ラベルのないすべてのデータを半教師付き深層表情認識に活用する。 すべてのラベルなしサンプルは、信頼スコアと適応的に学習された信頼マージンを比較して、2つのサブセットに分割される。 提案手法は最先端の性能,特に半教師付きベースラインを超越した性能を実現する。
  論文  参考訳（メタデータ） (2022-03-23T11:43:29Z)

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。