論文の概要: FedADB: Class Anchor-Driven Dual-Branch Federated Learning for Mitigating Forgetting

• arxiv url: http://arxiv.org/abs/2608.15310v1
• Date: Sat, 15 Aug 2026 16:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.256069
• Title: FedADB: Class Anchor-Driven Dual-Branch Federated Learning for Mitigating Forgetting
• Title（参考訳）: FedADB: クラス Anchor-Driven Dual-Branch Federated Learning for Mitigating Forgetting
• Abstract要約: FedADBはクラスアンカー駆動のデュアルブランチFLフレームワークである。 プロキシデータセットなしで、クラスワイドなグローバル一貫性とローカル最適化の目標のバランスを取る。 精度と収束速度の両方で大幅に改善されている。
• 参考スコア（独自算出の注目度）: 23.09070623080108
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multimodal data collected by heterogeneous devices are used for collaborative training, where federated learning (FL) serves as a key paradigm for effective distributed modeling with data privacy preservation. However, local training suffers from the forgetting of previously learned global knowledge under cross-client data heterogeneity, which leads to significant declines in both performance and convergence speed. Most previous studies rely on global alignment strategies to retain global knowledge, which hinder local optimization and lead to inadequate supervision of missing classes. Some studies introduce proxy datasets to supplement supervision for missing classes. However, it remains a challenge to balance class-wise global consistency and local optimization objectives without proxy datasets. In this work, we propose FedADB, a Class Anchor-Driven Dual-Branch FL framework. Specifically, the server generates class anchors optimized in a differentiable input space, which are shared across clients. These class anchors serve as global references that provide supervision for missing classes during local training. A dual-branch collaborative training mechanism is designed for clients. In this mechanism, the anchor-based global branch focuses on learning with global consistency, achieving global knowledge alignment by class-anchor balanced sampling. The local calibration branch focuses on learning discriminative local features, mitigating the degradation of local representations caused by excessive global alignment. Extensive experiments across multiple medical and natural datasets demonstrate that FedADB achieves significant improvements in both accuracy and convergence speed.
• Abstract（参考訳）: 異種デバイスによって収集されたマルチモーダルデータは協調訓練に使用され、フェデレートラーニング(FL)はデータプライバシ保護による効果的な分散モデリングの鍵となるパラダイムである。 しかし、局所的なトレーニングは、クロスクライアントデータの不均一性の下で学習したグローバルな知識を忘れることに悩まされ、パフォーマンスと収束速度の両方で大幅に低下する。 これまでのほとんどの研究は、グローバルな知識を維持するためのグローバルアライメント戦略に依存しており、これは局所的な最適化を妨げ、不足するクラスの不適切な監督につながる。 いくつかの研究では、欠落したクラスの監督を補うためにプロキシデータセットを導入している。 しかし、クラスレベルでのグローバルな一貫性と、プロキシデータセットなしでのローカル最適化の目標のバランスを取ることは、依然として課題である。 本稿では,クラスアンカー駆動型デュアルブランチFLフレームワークであるFedADBを提案する。 具体的には、サーバはクライアント間で共有される微分可能な入力空間に最適化されたクラスアンカーを生成する。 これらのクラスアンカーは、ローカルトレーニング中に行方不明のクラスを監督するグローバルリファレンスとして機能する。 クライアント向けのデュアルブランチ協調トレーニングメカニズムが設計されている。 このメカニズムでは、アンカーベースのグローバルブランチは、グローバルな一貫性のある学習に焦点を当て、クラスアンカーバランスサンプリングによるグローバルな知識アライメントを実現する。 局所校正部は、過度のグローバルアライメントによる局所表現の劣化を緩和し、識別的局所特徴の学習に焦点を当てている。 複数の医学的および自然的データセットにわたる大規模な実験は、FedADBが精度と収束速度の両方で大幅な改善を達成していることを示している。

関連論文リスト

• Mind the Gap: Confidence Discrepancy Can Guide Federated Semi-Supervised Learning Across Pseudo-Mismatch [50.632535091877706]
  Federated Semi-Supervised Learning (FSSL)は、ラベル付きデータに制限のあるクライアント間でラベル付きデータを活用して、強力な一般化能力を持つグローバルモデルをトレーニングすることを目的としている。 ほとんどのFSSL手法は擬似ラベルによる整合正則化に依存しており、局所的またはグローバルなモデルからの予測を監督信号としてハード擬似ラベルに変換する。 擬似ラベルの品質は、フェデレーション学習の本質的な側面であるデータ不均一性によって大きく劣化していることを示す。
  論文  参考訳（メタデータ） (2025-03-17T14:41:51Z)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と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います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• Federated Learning with Bilateral Curation for Partially Class-Disjoint Data [47.55180390473258]
  部分的なクラス分離データ(PCDD)は、一般的なが未探索のデータ生成であり、フェデレートされたアルゴリズムの性能に深刻な挑戦をする。 我々はFedGELAと呼ばれる新しい手法を提案し、ETFは局所的に個人分布に適応しながら、単純なETFとしてグローバルに固定されている。 我々は、FedGELAが有望なパフォーマンス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います。
  論文  参考訳（メタデータ） (2024-05-29T10:34:44Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
  フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。 その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。 我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
  論文  参考訳（メタデータ） (2023-08-20T04:41:01Z)
• FedCME: Client Matching and Classifier Exchanging to Handle Data Heterogeneity in Federated Learning [5.21877373352943]
  クライアント間のデータの均一性は、フェデレートラーニング(FL)における重要な課題の1つです。 クライアントマッチングと分類器交換によりFedCMEという新しいFLフレームワークを提案する。 実験結果から,FedCMEはFedAvg,FedProx,MOON,FedRSよりも高い性能を示した。
  論文  参考訳（メタデータ） (2023-07-17T15:40:45Z)
• Towards Unbiased Training in Federated Open-world Semi-supervised Learning [15.08153616709326]
  本稿では,分散およびオープンな環境における重要な課題を解決するための,新しいフェデレートオープンワールドセミスーパーバイドラーニング(FedoSSL)フレームワークを提案する。 我々は,不確実性に留意された損失を抑えることで,局所的に見えないクラスとグローバルな見えないクラスの間のバイアスのあるトレーニングを緩和する。 提案したFedoSSLは、ベンチマークや実世界のデータセットに関する広範な実験を通じて検証される、最先端のFLメソッドに容易に適用することができる。
  論文  参考訳（メタデータ） (2023-05-01T11:12:37Z)
• Integrating Local Real Data with Global Gradient Prototypes for Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
  フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。 データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。 本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
  論文  参考訳（メタデータ） (2023-01-25T03:18:10Z)
• Preservation of the Global Knowledge by Not-True Self Knowledge Distillation in Federated Learning [8.474470736998136]
  フェデレートラーニング(FL)では、強力なグローバルモデルが、クライアントのローカルにトレーニングされたモデルを集約することによって、協調的に学習される。 偏りのある地域分布への適応は、その特徴をグローバルな分布にシフトさせ、グローバルな知識を忘れる結果をもたらすことを観察する。 本稿では, ローカルデータに対するグローバルな知識を活用した, 簡便かつ効果的なフェデレートローカル自己蒸留(FedLSD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-06T11:51:47Z)

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。