論文の概要: Coordination on a Budget: Federated Active Learning with Few Labels
- arxiv url: http://arxiv.org/abs/2608.18634v1
- Date: Wed, 19 Aug 2026 07:31:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.32136
- Title: Coordination on a Budget: Federated Active Learning with Few Labels
- Title（参考訳）: 予算の調整:少数のラベルによるアクティブラーニング
- Abstract要約: Federated Active Learning (FAL)は、データプライバシとラベル不足という2つの課題に対処する。
アノテーション決定が最重要となる低予算体制におけるクロスサイロFALについて検討する。
本稿では、フェデレート表現学習を利用して、クライアントデータを共有埋め込み空間に整列させる新しいFALフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 7.6344611819427035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Active Learning (FAL) addresses the dual challenges of data privacy and label scarcity, where the absence of a global data view introduces additional hurdles for coordinated query selection. We study cross-silo FAL in the low-budget regime, where annotation decisions are most critical. We characterize, both theoretically and empirically, a heterogeneity reversal: in low-budget settings, homogeneous (IID) data requires stronger coordination to avoid redundant queries, whereas heterogeneous data naturally promotes diversity; this trend reverses at higher budgets. Thus, in contrast to the standard federated learning (FL) narrative where heterogeneity is a primary challenge, we show that IID settings are more challenging for query selection in FAL. Motivated by these findings, we propose a new FAL framework that utilizes federated representation learning to align client data in a shared embedding space. This enables the server to perform globally coordinated active selection over optionally obfuscated client embeddings, while annotation remains local to each client. Although our framework operates in the more challenging low-budget regime, it achieves performance that surpasses existing FAL methods even when they are given substantially larger annotation budgets, demonstrating the value of centralized coordination under privacy constraints.
- Abstract（参考訳）: Federated Active Learning (FAL)は、データプライバシとラベル不足という2つの課題に対処する。
アノテーション決定が最重要となる低予算体制におけるクロスサイロFALについて検討する。
低予算環境では、同質な(IID)データは冗長なクエリを避けるために強い調整を必要とするが、異質なデータは自然に多様性を促進する。
したがって、不均一性が主な課題である標準連合学習(FL)の物語とは対照的に、IID設定はFALにおけるクエリ選択においてより困難であることを示す。
これらの知見に触発されて,フェデレーション学習を利用してクライアントデータを共有埋め込み空間に整列させる新しいFALフレームワークを提案する。
これにより、サーバはオプションで難読化されたクライアントの埋め込みに対してグローバルに協調したアクティブセレクションを実行できます。
当社のフレームワークは、より困難な低予算体制で運用されているが、より大規模なアノテーション予算が与えられても、既存のFALメソッドを超えるパフォーマンスを達成し、プライバシー制約の下で集中的な調整の価値を実証している。
関連論文リスト
- Breaking the Structural Identity: Personalized Federated LoRA Fine-tuning under Rank Heterogeneity [12.733972494875713]
FedRoRAは、ランク・ヘテロジニアス・フェデレーション内できめ細かいパーソナライズを可能にする新しいフレームワークである。
適応を共通のグローバルな方向と、学習可能な対角スケールによって管理される個人レベルの等級に分離する。
NLUおよびNLGベンチマークの実験は、FedRoRAが常に最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2026-09-01T03:09:20Z) - CHASe: Client Heterogeneity-Aware Data Selection for Effective Federated Active Learning [22.38403602956309]
フェデレートアクティブラーニング(FAL)に特化して設計されたCHASe (Client Heterogeneity-Aware Data Selection)を提案する。
CHASeは、トレーニング中の意思決定の境界を揺らぎながら、高い疫学変化(EV)を持つラベルのないサンプルを特定することに重点を置いている。
実験により、CHASeは、さまざまなデータセット、モデル複雑度、異種フェデレーション設定にまたがって検証される、有効性と効率の観点から、確立されたさまざまなベースラインを超えることが示されている。
論文 参考訳（メタデータ） (2025-04-24T11:28:00Z) - Stratify: Rethinking Federated Learning for Non-IID Data through Balanced Sampling [9.774529150331297]
Stratifyは、トレーニング全体を通してクラスとフィーチャーの配布を体系的に管理するために設計された、新しいFLフレームワークである。
従来の階層化サンプリングに着想を得て,SLS(Stratified Label Schedule)を用いてラベル間のバランスの取れた露出を確保する。
プライバシーを守るため,同型暗号化を利用したセキュアクライアント選択プロトコルを実装した。
論文 参考訳（メタデータ） (2025-04-18T04:44:41Z) - Personalized federated learning based on feature fusion [2.943623084019036]
フェデレートされた学習により、分散クライアントは、クライアントのプライバシを保護するためにデータをローカルに保存しながら、トレーニングで協力することができる。
pFedPMと呼ばれる個人化学習手法を提案する。
このプロセスでは、従来のグラデーションアップロードを機能アップロードに置き換え、通信コストを削減し、異種クライアントモデルを可能にする。
論文 参考訳（メタデータ） (2024-06-24T12:16:51Z) - FedCoSR: Personalized Federated Learning with Contrastive Shareable Representations for Label Heterogeneity in Non-IID Data [11.389706928654965]
本稿では,FedCoSR(Federated Contrastive Shareable Representations)という新しい個人学習アルゴリズムを提案する。
ローカルモデルの浅い層と典型的なローカル表現のパラメータは、どちらもサーバの共有可能な情報であると考えられている。
クライアント間でのラベル分布スキューによる性能劣化に対処するため、局所表現とグローバル表現の対比学習を採用する。
論文 参考訳（メタデータ） (2024-04-27T14:05:18Z) - Generalizable Heterogeneous Federated Cross-Correlation and Instance
Similarity Learning [60.058083574671834]
本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。
不均一な問題に対しては、無関係な公開データを通信に活用する。
局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
論文 参考訳（メタデータ） (2023-09-28T09:32:27Z) - Knowledge-Aware Federated Active Learning with Non-IID Data [75.98707107158175]
本稿では,アノテーション予算に制限のあるグローバルモデルを効率的に学習するための,連合型アクティブラーニングパラダイムを提案する。
フェデレートされたアクティブラーニングが直面する主な課題は、サーバ上のグローバルモデルのアクティブサンプリング目標と、ローカルクライアントのアクティブサンプリング目標とのミスマッチである。
本稿では,KSAS (Knowledge-Aware Federated Active Learning) とKCFU (Knowledge-Compensatory Federated Update) を組み合わせた,知識対応型アクティブ・ラーニング(KAFAL)を提案する。
論文 参考訳（メタデータ） (2022-11-24T13:08:43Z) - Rethinking Data Heterogeneity in Federated Learning: Introducing a New
Notion and Standard Benchmarks [65.34113135080105]
我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。
私たちの観察は直感的である。
私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
論文 参考訳（メタデータ） (2022-09-30T17:15:19Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - 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) - Federated Unsupervised Representation Learning [56.715917111878106]
フェデレート非教師表現学習(FURL)と呼ばれるフェデレーション学習における新しい問題を定式化し、教師なしの共通表現モデルを学習する。
FedCAは2つの主要なモジュールで構成されている: 辞書モジュールは、各クライアントからのサンプルの表現を集約し、表現空間の整合性のためにすべてのクライアントと共有し、アライメントモジュールは、公開データに基づいてトレーニングされたベースモデル上で各クライアントの表現を整合させる。
論文 参考訳（メタデータ） (2020-10-18T13:28:30Z)
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。