Fugu-MT 論文翻訳(概要): FedRAW: Preserving Rare-Label Influence in Asynchronous Federated Learning

論文の概要: FedRAW: Preserving Rare-Label Influence in Asynchronous Federated Learning

arxiv url: http://arxiv.org/abs/2609.07192v1
Date: Mon, 07 Sep 2026 08:17:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.38614
Title: FedRAW: Preserving Rare-Label Influence in Asynchronous Federated Learning
Title（参考訳）: FedRAW: 非同期フェデレーション学習におけるレアラベルの影響を保存する
Abstract要約: 非同期フェデレーション学習は、クライアントが到着するたびにサーバ側のバッファからグローバルモデルを更新することで、スケーラビリティを向上させる。我々は、希少なラベルを持つクライアントがグローバルモデルにあまりにも弱い貢献をする、秘密の障害モードであるサイレントラリティ障害を識別する。ローカルトレーニングやクライアントの目的,通信プロトコルを変更することなく,レアラベルの影響を抑えるためのサーバ側アグリゲーション手法であるFedRAWを提案する。
参考スコア（独自算出の注目度）: 4.505139805778447
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Asynchronous federated learning improves scalability by updating the global model from a server-side buffer of client updates as they arrive, rather than waiting for all selected clients to finish. While efficient, this arrival-driven aggregation can silently distort representation learning under heterogeneous participation. We identify silent rarity failure, a hidden failure mode in which clients holding rare labels contribute too weakly to the global model even though its overall accuracy appears largely unaffected. This failure arises from two coupled effects: rare-label clients may submit updates less frequently when they are slower or less available, creating participation bias; and once their updates enter the buffer, standard asynchronous aggregation assigns them no compensating influence, creating aggregation bias. We propose FedRAW, a fully server-side aggregation method that preserves rare-label influence without changing local training, client objectives, or communication protocols. FedRAW combines client-level update deduplication, which prevents frequently arriving clients from repeatedly dominating the update buffer, with rare-label-aware weighting, which increases the influence of clients carrying low-coverage labels. We formalize silent rarity failure through participation and aggregation bias, and show that FedRAW increases rare-label client influence over uniform aggregation while preserving convergence. Across EMNIST Balanced, CIFAR-10, HAM10000, and ISIC-2019, FedRAW improves rarelabel accuracy while preserving comparable global accuracy and adding negligible server-side computation.
Abstract（参考訳）: 非同期フェデレーション学習は、クライアントが到着するたびにサーバ側のバッファからグローバルモデルを更新することで、すべての選択したクライアントが終了するのを待つのではなく、スケーラビリティを向上させる。効率的ではあるが、この到着駆動アグリゲーションは、異種参加下での表現学習を静かに歪めることができる。我々は、希少なラベルを持つクライアントが、その全体的な正確さがほとんど影響していないにもかかわらず、グローバルモデルにあまりにも弱い貢献をする、秘密の失敗モードであるサイレント・ラリティの失敗を識別する。この失敗は2つの複合効果から生じる: まれなラベルのクライアントは、更新が遅かったり、利用可能であったりして、更新の頻度が低くなったり、参加バイアスを発生させたり、アップデートがバッファに入ると、標準の非同期アグリゲーションが補償効果を割り当てたり、アグリゲーションバイアスを発生させる。ローカルトレーニングやクライアントの目的,あるいは通信プロトコルを変更することなく,レアラベルの影響を抑えるためのサーバ側アグリゲーション手法であるFedRAWを提案する。 FedRAWは、頻繁に到着するクライアントが更新バッファを何度も支配するのを防ぐクライアントレベルの更新重複と、レアラベル対応の重み付けを組み合わせることで、低カバレッジラベルを持つクライアントの影響を増大させる。また,FedRAWはコンバージェンスを保ちつつ,一様アグリゲーションに対するレアラベルクライアントの影響を増大させることを示す。 EMNIST Balanced、CIFAR-10、HAM10000、ISIC-2019の他、FedRAWは、同等のグローバル精度を維持し、無視可能なサーバサイド計算を追加しながら、レアラベルの精度を改善している。

関連論文リスト

FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning [76.62016339908384]
クライアント間での不均一なラベル相関を調和させるフレームワークであるFedHarmonyを提案する。集約中、FedHarmonyはデータサイズと相関品質の両方で各クライアントを評価し、それに応じて重みを割り当てる。実世界のフェデレートされたマルチラベルデータセットの実験は、FedHarmonyが一貫して最先端の手法より優れていることを示している。
論文参考訳（メタデータ） (2026-04-30T15:42:17Z)
FedEMA-Distill: Exponential Moving Average Guided Knowledge Distillation for Robust Federated Learning [1.1393603788068776]
フェデレーテッド・ラーニング(FL)は、クライアントが不均一な非独立性(non-Independent)およびIdentically Distributed(non-IID)データを保持すると、しばしば劣化する。本稿では,グローバルモデルの指数移動平均(EMA)とクライアント負荷予測ロジットからのアンサンブル知識蒸留を組み合わせたサーバサイドプロシージャであるFedEMA-Distillを提案する。
論文参考訳（メタデータ） (2026-02-15T01:40:45Z)
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)
FedAR: Addressing Client Unavailability in Federated Learning with Local Update Approximation and Rectification [8.747592727421596]
フェデレートラーニング(FL)は、クライアントがサーバの調整の下で機械学習モデルを協調的にトレーニングすることを可能にする。 FedARは、すべてのクライアントをグローバルモデルアップデートに参加させて、サーバ上の高品質なグローバルモデルを達成することができます。 FedARはまた、多くのクライアントが存在し、クライアントが利用できないという印象的なパフォーマンスを描いている。
論文参考訳（メタデータ） (2024-07-26T21:56:52Z)
FedStale: leveraging stale client updates in federated learning [10.850101961203748]
フェデレーション学習アルゴリズムは、データの不均一性と部分的クライアント参加によって負の影響を受けます。本稿は,一部のクライアントが他のクライアントよりもはるかに少ない場合,安定したレベルの更新を集約することで,トレーニングプロセスに有害な影響を与えることを示す。私たちはFedStaleを紹介します。これは、参加するクライアントからの"フレッシュ"アップデートと、参加していないクライアントからの"ステア"アップデートの凸組み合わせによって、各ラウンドのグローバルモデルを更新する新しいアルゴリズムです。
論文参考訳（メタデータ） (2024-05-07T10:11:42Z)
Federated Learning with Only Positive Labels by Exploring Label Correlations [78.59613150221597]
フェデレートラーニングは、プライバシー上の制約の下で複数のユーザのデータを使用することで、モデルを協調的に学習することを目的としている。本稿では,フェデレート学習環境下でのマルチラベル分類問題について検討する。ラベル相関(FedALC)を探索してフェデレート平均化(Federated Averaging)と呼ばれる新しい,汎用的な手法を提案する。
論文参考訳（メタデータ） (2024-04-24T02:22:50Z)
Communication-Efficient Federated Learning with Accelerated Client Gradient [46.81082897703729]
フェデレーション学習は、クライアントデータセットの不均一な特徴のために、遅くて不安定な収束に悩まされることが多い。本稿では,クライアント間の一貫性を改善し,サーバモデルの収束を容易にする,シンプルだが効果的なフェデレーション学習フレームワークを提案する。我々は,アルゴリズムの理論的収束率を示し,精度と通信効率の点で顕著な性能向上を示す。
論文参考訳（メタデータ） (2022-01-10T05:31:07Z)
Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
論文参考訳（メタデータ） (2021-04-27T18:23:54Z)

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。