Fugu-MT 論文翻訳(概要): PACE: Propagation-Aware Collaborative Correction for One-Shot Personalized Federated Graph Learning

論文の概要: PACE: Propagation-Aware Collaborative Correction for One-Shot Personalized Federated Graph Learning

arxiv url: http://arxiv.org/abs/2609.04832v1
Date: Fri, 04 Sep 2026 07:44:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 18:15:23.962867
Title: PACE: Propagation-Aware Collaborative Correction for One-Shot Personalized Federated Graph Learning
Title（参考訳）: PACE:1ショットの個人化フェデレーショングラフ学習のためのプロパゲーション対応協調補正
Abstract要約: PACEを導入し、完全局所予測器に協調知識をコンパクトな補正として扱う。各クライアントは、ランク-r更新キャリアと、伝播するメッセージモーメントの対角的なスケッチをアップロードする。サーバはこれらを使用して、レシーバが完全なローカルモデルを保持している間に、伝搬対応のレシーバアンコール補正を構築する。
参考スコア（独自算出の注目度）: 4.349000444958713
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Client heterogeneity creates both an opportunity and a risk in personalized federated graph learning. Knowledge held by other subgraphs may complement a receiver's Local model, but an incompatible transfer can override reliable predictions. One-shot communication sharpens this tension because an unsuitable server return cannot be corrected later. We introduce PACE, which treats collaborative knowledge as a compact correction to a complete Local predictor rather than as its replacement. Each client uploads a rank-r update carrier and a diagonal sketch of propagated message moments. The server uses them to construct a propagation-aware, receiver-anchored correction, while the receiver retains its full Local model. Convex negative-log-likelihood calibration (CNLL) then selects one coefficient between Local and External logits using validation nodes; model parameters remain fixed and no feedback is sent. At Rank-6, personalized returns occupy 9.6-17.6% of dense tensor bytes across the six evaluated datasets. The correction receives nonzero weight and improves both Accuracy and weighted-F1 over Local on five datasets; on ogbn-arxiv, CNLL assigns zero predictive weight to the correction and preserves Local predictions exactly. Applying the same CNLL rule to matched baselines on three citation datasets does not account for these gains. The central result is therefore that a small transported correction can augment a complete Local model when receiver evidence supports it while leaving the Local prediction unchanged otherwise.
Abstract（参考訳）: クライアントの不均一性は、パーソナライズされたグラフ学習の機会とリスクの両方を生み出します。他のサブグラフが保持する知識はレシーバのローカルモデルを補完するが、非互換な転送は信頼できる予測を上書きすることができる。ワンショット通信は、不適切なサーバのリターンを後で修正できないため、この緊張を強くする。 PACEは、協調的な知識を、その代替としてではなく、完全な局所予測器にコンパクトな修正として扱う。各クライアントは、ランク-r更新キャリアと、伝播するメッセージモーメントの対角的なスケッチをアップロードする。サーバはこれらを使用して、レシーバが完全なローカルモデルを保持している間に、伝搬対応のレシーバアンコール補正を構築する。 Convex negative-log-likelihood calibration (CNLL) では、検証ノードを使用してローカルロジットと外部ロジットの間の1つの係数を選択する。ランク6では、パーソナライズされたリターンは、6つの評価データセットで密度の高いテンソルバイトの9.6-17.6%を占める。 CNLLは、非ゼロウェイトを受信し、5つのデータセット上でローカル上の精度と重み付きF1の両方を改善し、ogbn-arxivでは、補正にゼロ予測重みを割り当て、ローカル予測を正確に保存する。 3つの引用データセットで一致したベースラインに同じCNLLルールを適用することは、これらの利得を考慮しない。したがって、小さな転送された補正は、受信側がローカル予測をそのまま残しながらそれを裏付けるときに、完全なローカルモデルを強化することができる。

関連論文リスト

Rethinking One-Shot Federated Graph Learning: Training-Free Statistical Estimation [12.66442044096499]
ワンショットフェデレーショングラフ学習は一般的に、単一の通信ラウンドで非接続のサブグラフを持つクライアント間でグラフニューラルネットワーク(GNN)をトレーニングすることを目的としている。極度の非IID条件下では、局所的なGNN訓練は、厳しい横断的表現の不一致に悩まされる。本研究では,局所グラフからトポロジー平滑なクラスプロトタイプを直接計算する学習自由フレームワークSPEARを提案する。
論文参考訳（メタデータ） (2026-09-05T15:55:22Z)
TI-StegoAlign: Channel-Guided Post-Training for Generative Text Steganography under Tokenization Inconsistency [20.336143930874993]
LLMエージェントはタスク関連メッセージを通じて秘密情報を交換する。ほとんどの方法は送信側トークンのリカバリを評価するが、受信側は表面テキストのみを観察する。脱トークン化とレシーバ側再トークン化はトークン境界を変更し、コーディング状態をデ同期させ、そのような評価をレシーバ側リカバリを過大評価する。本稿では,チャネル誘導後学習フレームワークTI-StegoAlignを提案する。
論文参考訳（メタデータ） (2026-08-01T01:45:50Z)
Federated Martingale Posterior Samping [28.76805404959501]
フェデレートされたベイズニューラルネットワークは、モデルパラメータの事前を、可能性とともに修正する必要がある。予測モデルの急速な進歩により、マーチンゲール後部は予測ベイズ(英: predictive Bayes)とも呼ばれ、予測分布に置き換えられる。このレターでは、フェデレーションマーチンゲール後部サンプリング(FMP)を提案する。これは、クライアントがトレーニング可能なデータの小さなセットをアップロードし、サーバが予測サンプルを集中的に実行する、ワンショットの恥ずかしい並列プロトコルである。
論文参考訳（メタデータ） (2026-05-18T15:33:18Z)
Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
論文参考訳（メタデータ） (2026-04-11T10:47:22Z)
ProCal: Probability Calibration for Neighborhood-Guided Source-Free Domain Adaptation [19.75458355825581]
Source-Free Domain Adaptation (SFDA)は、ソースデータへのアクセスを必要とせずに、未ラベルのターゲットドメインに事前トレーニングされたモデルを適用する。 ProCalは、近隣の予測を動的に校正する確率校正手法である。
論文参考訳（メタデータ） (2026-03-19T11:18:21Z)
CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文参考訳（メタデータ） (2025-12-22T16:34:21Z)
Geometric Prior-Guided Federated Prompt Calibration [21.766231067185956]
Federated Prompt Learning (FPL)は、大規模モデルを協調的にトレーニングするためのパラメータ効率の高いソリューションを提供する。既存の手法は、アグリゲーションや正規化に重点を置いており、局所的なトレーニングバイアスの根本原因に対処できない。我々は,このバイアスを直接修正する新しいフレームワークであるGeometry-Guided Text Prompt (GGTPC)を提案する。
論文参考訳（メタデータ） (2025-12-08T06:42:32Z)
Optimal Transport-based Domain Alignment as a Preprocessing Step for Federated Learning [0.48342038441006796]
Federated Learning(FL)は、機械学習のサブフィールドであり、ローカルデータを中央サーバと共有することを避ける。 FLでは、局所的に訓練されたモデルと不均衡なデータセットを融合させることで、グローバルモデルアグリゲーションの性能が低下する可能性がある。本稿では,エッジデバイスに沿ったデータの分布差を最小化してデータセットを整列する,最適なトランスポートベースの前処理アルゴリズムを提案する。
論文参考訳（メタデータ） (2025-06-04T15:35:55Z)
Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文参考訳（メタデータ） (2022-03-05T02:31:32Z)
Tackling the Local Bias in Federated Graph Learning [48.887310972708036]
フェデレーショングラフ学習(FGL)では、グローバルグラフは異なるクライアントに分散し、各クライアントがサブグラフを保持する。既存のFGL手法では、クロスクライアントエッジを効果的に活用できず、トレーニング中に構造情報が失われる。集中型環境で訓練されたモデルと類似した局所モデルを作成するための新しいFGLフレームワークを提案する。
論文参考訳（メタデータ） (2021-10-22T08:22:36Z)
Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
論文参考訳（メタデータ） (2021-06-03T05:56:57Z)
Toward Understanding the Influence of Individual Clients in Federated Learning [52.07734799278535]
フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。 em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
論文参考訳（メタデータ） (2020-12-20T14:34:36Z)

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。