論文の概要: Resilience Beyond Stationary Client Unavailability: Unlocking Efficient and Unbiased Federated Learning

• arxiv url: http://arxiv.org/abs/2609.04763v1
• Date: Fri, 04 Sep 2026 05:49:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.925521
• Title: Resilience Beyond Stationary Client Unavailability: Unlocking Efficient and Unbiased Federated Learning
• Title（参考訳）: 定常的クライアント利用以上のレジリエンス - 効率的で偏りのないフェデレーションラーニングを解き放つ
• Abstract要約: 本稿では,不均一かつ非定常なクライアントの可用性に確実に回復できる効率的なフェデレーション学習アルゴリズムを開発することを目的とする。 標準のFedSWEモデルと比較して、FedSWEは軽い追加メモリとオーバーヘッドを導入している。
• 参考スコア（独自算出の注目度）: 34.33292907685135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to resource constraints or external and internal uncertainties, clients in real-world federated learning systems are often intermittently available edge devices. In highly dynamic environments, the parameter server lacks prior real-time knowledge of clients' availability, making it challenging to adapt traditional federated learning algorithms to be resilient to uncertainties in client availability. If not carefully addressed, complex client availability can introduce significant bias, potentially harming the performance of the trained model. Most prior work either fails to account for non-stationary client availability dynamics or demands significant memory and computational overhead. This paper aims to develop efficient federated learning algorithms that are provably resilient to heterogeneous and non-stationary stochastic client availability. We propose FedSWE, which admits novel algorithmic structures to (i) compensate for missed computations, (ii) stabilize and diffuse the global updates over rounds, and (iii) evenly mix the local updates through implicit gossiping, despite being agnostic to non-stationary dynamics. Compared with the standard FedAvg, FedSWE introduces light additional memory and computation overhead. We show that FedSWE converges to a stationary point of non-convex objectives while achieving the desired linear speedup property in certain special cases. We corroborate our analysis with numerical experiments over diversified client unavailability dynamics on real-world data sets.
• Abstract（参考訳）: リソース制約や外部および内部の不確実性のため、現実世界のフェデレーション学習システムのクライアントは、しばしば断続的に利用可能なエッジデバイスである。 非常にダイナミックな環境では、パラメータサーバはクライアントの可用性に関する事前のリアルタイム知識を欠いているため、従来のフェデレーション学習アルゴリズムをクライアントの可用性の不確実性に耐性を持たせることは困難である。 慎重に対処しなければ、複雑なクライアントの可用性は重大なバイアスをもたらし、トレーニングされたモデルのパフォーマンスを損なう可能性がある。 それまでの作業のほとんどは、非定常的なクライアント可用性のダイナミクスを考慮に入れなかったり、メモリと計算オーバーヘッドがかなり必要だったりします。 本稿では,不均一かつ非定常な確率的クライアントの可用性に確実に回復できる,効率的なフェデレーション学習アルゴリズムを開発することを目的とする。 我々は新しいアルゴリズム構造を認めるFedSWEを提案する。 (i)ミス計算の補償 (二 ラウンドごとの世界的更新の安定化及び拡散 (3)非定常力学に非依存であるにもかかわらず、暗黙のゴシップによって局所的な更新を均等に混合する。 標準のFedAvgと比較して、FedSWEは軽量なメモリと計算オーバーヘッドを導入している。 我々は,FedSWEが,特定の場合において所望の線形スピードアップ特性を達成しつつ,非凸目標の定常点に収束することを示す。 実世界のデータセット上での多様なクライアント不可用性のダイナミクスに対する数値実験と解析の相関関係を考察する。

関連論文リスト

• FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
  我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。 重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。 本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
  論文  参考訳（メタデータ） (2026-05-11T07:04:51Z)
• 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)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Asynchronous Federated Learning: A Scalable Approach for Decentralized Machine Learning [1.2604738912025477]
  フェデレートラーニング(FL)は、分散機械学習の強力なパラダイムとして登場した。 従来のFLアプローチは、同期クライアントのアップデートに依存しているため、スケーラビリティと効率の制限に直面することが多い。 本稿では、クライアントが独立して非同期にグローバルモデルを更新できる非同期フェデレートラーニング(AFL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-23T17:11:02Z)
• Efficient Federated Learning against Heterogeneous and Non-stationary Client Unavailability [23.466997173249034]
  FedAPMには、(i)標準のFedAvgに対して(1)O$追加のメモリ計算で使用不能な計算を行うための新しい構造が含まれている。 非定常力学であるにもかかわらず、FedAPMは静止点にも収束することを示す。
  論文  参考訳（メタデータ） (2024-09-26T00:38:18Z)
• FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning [57.38427653043984]
  フェデレートラーニング(FL)は、分散クライアント間の機械学習モデルの協調トレーニングにおいて、顕著なアプローチとして登場した。 我々は,この課題に対処するために設計された,革新的なクライアント適応アルゴリズムであるFedCAdaを紹介する。 我々はFedCAdaが適応性、収束性、安定性、全体的な性能の点で最先端の手法より優れていることを実証する。
  論文  参考訳（メタデータ） (2024-05-20T06:12:33Z)
• Momentum Benefits Non-IID Federated Learning Simply and Provably [22.800862422479913]
  フェデレートラーニングは大規模機械学習の強力なパラダイムである。 FedAvgとSCAFFOLDは、これらの課題に対処する2つの顕著なアルゴリズムである。 本稿では,FedAvgとSCAFFOLDの性能向上のための運動量の利用について検討する。
  論文  参考訳（メタデータ） (2023-06-28T18:52:27Z)
• Addressing Client Drift in Federated Continual Learning with Adaptive Optimization [10.303676184878896]
  本稿では,NetTailorを連続学習候補として活用することにより,FCL(Federated Continual Learning)を実現するための枠組みを概説する。 適応型フェデレーション最適化は,クライアントドリフトの悪影響を低減し,CIFAR100,MiniImagenet,Deathlonベンチマーク上での有効性を示す。
  論文  参考訳（メタデータ） (2022-03-24T20:00:03Z)
• Byzantine-robust Federated Learning through Spatial-temporal Analysis of Local Model Updates [6.758334200305236]
  フェデレートラーニング(FL)は、複数の分散クライアント(モバイルデバイスなど)が、クライアントにローカルにトレーニングデータを保持しながら、協調的に集中的なモデルをトレーニングすることを可能にする。 本稿では,これらの障害と攻撃を空間的・時間的観点から緩和することを提案する。 具体的には、パラメータ空間におけるそれらの幾何学的性質を活用することにより、不正な更新を検出し、排除するためにクラスタリングに基づく手法を用いる。
  論文  参考訳（メタデータ） (2021-07-03T18:48:11Z)
• Federated Continual Learning with Weighted Inter-client Transfer [79.93004004545736]
  我々は,新しい連合型連続学習フレームワークFederated Weighted Inter-client Transfer(FedWeIT)を提案する。 FedWeITは、ネットワークの重みをグローバルなフェデレーションパラメータとスパースなタスク固有のパラメータに分解し、各クライアントは他のクライアントから選択的な知識を受け取る。 我々はFedWeITを既存のフェデレーション学習法や継続学習法に対して検証し、我々のモデルは通信コストを大幅に削減してそれらを著しく上回っている。
  論文  参考訳（メタデータ） (2020-03-06T13:33:48Z)

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。