論文の概要: RegionFed: Federated Learning for Personalized Query Understanding in Heterogeneous Retail Environments
- arxiv url: http://arxiv.org/abs/2609.05403v1
- Date: Fri, 04 Sep 2026 17:50:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.147317
- Title: RegionFed: Federated Learning for Personalized Query Understanding in Heterogeneous Retail Environments
- Title（参考訳）: RegionFed:不均一な小売環境におけるパーソナライズドクエリ理解のためのフェデレーションラーニング
- Abstract要約: 小売検索システムは、異なるクエリパターン、語彙、製品嗜好を持つ多様な地域を提供する。
標準FL手法は地域性能を犠牲にするグローバルモデルを生成するが、既存のパーソナライズされたFL手法はパラメータレベルで動作する。
本研究では,テキストアーキテクチャを損なうフェデレーション学習フレームワークであるRereaFedを紹介した。
- 参考スコア（独自算出の注目度）: 1.5469094949887916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retail search systems serve diverse geographic regions with distinct query patterns, vocabularies, and product preferences, creating significant data heterogeneity that challenges both privacy-preserving training and model personalization. Federated learning offers a natural solution for privacy, but standard FL methods produce global models that sacrifice regional performance, while existing personalized FL approaches operate at the parameter level and catastrophically collapse on modern transformers (below 10\% accuracy on T5) due to tied embeddings and LayerNorm interactions. We introduce RegionFed, an \textit{architecture-robust} federated learning framework that sidesteps this failure by operating entirely at the gradient level. RegionFed uses the $\ell_2$ conflict between regional and global gradients as a unified signal that (i) diagnoses heterogeneity, (ii) routes each region to the cheapest sufficient personalization strategy, and (iii) adaptively controls personalization strength. Because it treats models as differentiable black boxes, RegionFed deploys on T5-Small, T5-3B, RoBERTa, and CNN with zero code changes, providing large gains on transformers (where parameter-level methods collapse) and consistent improvements on CNNs. Across three public datasets (Amazon ESCI, Amazon Reviews, LEAF-FEMNIST) and four architectures, RegionFed-Meta achieves 92.27\%, closing the gap to the privacy-violating centralized upper bound (Centralized + Regional Weighting: 92.04\%, $Δ$=0.23pp, within 1$σ$) while providing $(ε{\approx}0.60)$-differential privacy and $\mathcal{O}(1/\sqrt{T})$ convergence.
- Abstract（参考訳）: 小売検索システムは、異なるクエリパターン、語彙、製品嗜好を持つ多様な地理的領域を提供し、プライバシー保護トレーニングとモデルパーソナライゼーションの両方に挑戦する重要なデータ不均一性を生み出す。
フェデレーション学習は、プライバシの自然なソリューションを提供するが、標準的なFLメソッドは、地域パフォーマンスを犠牲にするグローバルモデルを生成する一方で、既存のパーソナライズされたFLアプローチはパラメータレベルで動作し、(T5では10倍の精度で)現代的なトランスフォーマー上で破滅的に崩壊する。
RegionFedは,この障害を回避すべく,完全に勾配レベルで動作させることで,その障害を補うためのフレームワークである。
RegionFedは、地域勾配とグローバル勾配の間の$\ell_2$の衝突を統一信号として使っている。
(i)異質性を診断する。
二 各地域を最安値のパーソナライズ戦略にルートし、
(三)パーソナライズ強度を適応的に制御する。
モデルを識別可能なブラックボックスとして扱うため、RereaFedはT5-Small、T5-3B、RoBERTa、CNNをゼロコード変更でデプロイする。
3つの公開データセット(Amazon ESCI、Amazon Reviews、LEAF-FEMNIST)と4つのアーキテクチャのうち、RereaFed-Metaは92.27\%を達成し、プライバシーを侵害する中央集権的上限(集中化+地域重み付け:92.04\%、$Δ$=0.23pp、1$σ$)とのギャップを埋めると同時に、$(ε{\approx}0.60)$微分プライバシーと$\mathcal{O}(1/\sqrt{T})$コンバージェンスを提供する。
関連論文リスト
- UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。
既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。
高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
論文 参考訳（メタデータ） (2025-12-15T02:59:16Z) - A Closer Look at Personalized Fine-Tuning in Heterogeneous Federated Learning [42.09768870974917]
フェデレートラーニング(FL)は、分散されたプライバシ保護モデルトレーニングを可能にするが、グローバルな一般化とローカルパーソナライゼーションのバランスをとるのに苦労している。
特徴歪みを緩和する基本的集中型戦略であるフルファインチューニング(LP-FT)を採用することを提案する。
論文 参考訳（メタデータ） (2025-11-16T17:19:23Z) - Generalized and Personalized Federated Learning with Foundation Models via Orthogonal Transformations [4.008780119020479]
Federated Learningは、集中的なデータ収集を必要とせずに、分散化されたクライアントやローカルデータを保持するデバイス間でモデルをトレーニングすることを目的としている。
我々は,ブラックボックス基盤モデルを活用した新しいアプローチであるFedOTを紹介する。
FedOTは、さまざまなクライアント間の勾配競合を緩和し、セマンティックな整合性を保持し、実質的なデータの存在下でも堅牢なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-05-26T12:18:24Z) - FLea: Addressing Data Scarcity and Label Skew in Federated Learning via Privacy-preserving Feature Augmentation [15.298650496155508]
フェデレートラーニング(FL)は、ローカルデータを中央サーバに転送することなく、多数のエッジデバイスに分散したデータを活用することによって、モデル開発を可能にする。
既存のFLメソッドは、デバイス間の不足やラベルスキュードデータを扱う際に問題に直面し、結果としてローカルモデルが過度に適合し、ドリフトする。
我々はFLeaと呼ばれる先駆的なフレームワークを提案し、以下のキーコンポーネントを取り入れた。
論文 参考訳（メタデータ） (2024-06-13T19:28:08Z) - Decentralized Sporadic Federated Learning: A Unified Algorithmic Framework with Convergence Guarantees [18.24213566328972]
分散学習計算(DFL)は、(i)モデル更新と(ii)モデルアグリゲーションの両方が中央サーバなしでクライアントによって実行されるFL設定をキャプチャする。
$textttDSpodFL$は、ローカルグラデーションとアグリゲーションプロセスの両方において、$textitsporadicity$という一般的な概念に基づいて構築されたDFL方法論である。
$textttDSpodFL$は、さまざまなシステム設定のベースラインと比較して、改善されたスピードを一貫して達成する。
論文 参考訳（メタデータ） (2024-02-05T19:02:19Z) - Learn What You Need in Personalized Federated Learning [53.83081622573734]
$textitLearn2pFed$は、アルゴリズムに基づくパーソナライズされたフェデレーション学習フレームワークである。
我々は、textitLearn2pFed$が、従来のパーソナライズされたフェデレーション学習方法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2024-01-16T12:45:15Z) - FLea: Addressing Data Scarcity and Label Skew in Federated Learning via Privacy-preserving Feature Augmentation [15.298650496155508]
フェデレートラーニング(FL)は、ローカルデータを中央サーバに転送することなく、多数のエッジデバイスに分散したデータを活用することによって、モデル開発を可能にする。
既存のFLメソッドは、デバイス間の不足やラベルスキュードデータを扱う際に問題に直面し、結果としてローカルモデルが過度に適合し、ドリフトする。
我々は、以下のキーコンポーネントを組み込んだ textitFLea という先駆的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-04T20:24:09Z) - 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) - Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。
本稿では,FedInsという新しいFLアルゴリズムを提案する。
我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-11T09:58:47Z) - FedDC: Federated Learning with Non-IID Data via Local Drift Decoupling
and Correction [48.85303253333453]
フェデレートラーニング(FL)は、複数のクライアントがプライベートデータを共有せずに、高性能なグローバルモデルを集合的にトレーニングすることを可能にする。
局所的ドリフトデカップリングと補正(FedDC)を用いた新しいフェデレーション学習アルゴリズムを提案する。
私たちのFedDCでは、ローカルモデルパラメータとグローバルモデルパラメータのギャップを追跡するために、各クライアントが補助的なローカルドリフト変数を使用するような、ローカルトレーニングフェーズにおける軽量な修正のみを導入しています。
実験結果と解析結果から,FedDCは様々な画像分類タスクにおいて,収差の迅速化と性能の向上を図っている。
論文 参考訳（メタデータ） (2022-03-22T14:06:26Z) - 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)
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。