論文の概要: MUC-FL: Block-Wise Marginal Utility Contribution for Communication-Efficient Federated Learning

• arxiv url: http://arxiv.org/abs/2609.10545v1
• Date: Wed, 17 Jun 2026 15:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.489986
• Title: MUC-FL: Block-Wise Marginal Utility Contribution for Communication-Efficient Federated Learning
• Title（参考訳）: MUC-FL:コミュニケーション効率のよいフェデレーションラーニングのためのブロックウィズ・マージナル・ユーティリティーコントリビューション
• Abstract要約: フェデレートラーニング(FL)は、データを集中化せずに分散モデルのトレーニングを可能にするが、高い通信オーバーヘッドに悩まされる。 本稿では,最も影響力のあるデータブロックのみを選択的に送信するフレームワークであるBlock-Wise Marginal Utility Contribution (MUC)を提案する。
• 参考スコア（独自算出の注目度）: 0.32532128609529803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables distributed model training without centralizing data but suffers from high communication overhead. To address this, we propose Block-Wise Marginal Utility Contribution (MUC), a framework that selectively transmits only the most impactful data blocks based on their contribution to model performance. To evaluate our framework, we apply it to a multimodal dataset integrated from multiple MIMIC clinical datasets and show that only 24 out of 1,135 candidate blocks (1.76%) carry meaningful improvement signals, enabling a potential communication reduction of 45-50% while maintaining or improving model quality. Our deduplication-based block selection achieves a macro F1 score of 0.8566 compared to 0.8155 for standard federated optimization, demonstrating that selective transmission can improve performance, particularly in underrepresented classes.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データを集中化せずに分散モデルのトレーニングを可能にするが、高い通信オーバーヘッドに悩まされる。 これを解決するために、モデル性能への貢献に基づいて最も影響力のあるデータブロックのみを選択的に送信するフレームワークであるBlock-Wise Marginal Utility Contribution (MUC)を提案する。 本フレームワークを評価するために,複数のMIMIC臨床データセットから統合されたマルチモーダルデータセットに適用し,1,135ブロック中24ブロック(1.76%)のみが有意義な改善信号を持ち,モデル品質を維持したり改善したりしながら,通信効率を45～50%削減できることを示した。 提案手法を用いたブロック選択では,F1スコアが0.8566,F1スコアが0.8155,F1スコアが0.8155となる。

関連論文リスト

• Choose Wisely and Privately: Proactive Client Selection for Fair and Efficient Federated Learning [0.9099663022952496]
  Federated Learningは、データ転送なしで分散化されたデータソース間で協調的なモデルトレーニングを可能にする。 平均FLは、収束速度と最終モデルの精度に悪影響を及ぼす非IIDデータの存在によって制限される。 本稿では,学習開始前の有効性と公正性の要求に一致したクライアントの最適なフェデレーションを見つけることを目的とした,積極的なクライアント選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-20T10:00:33Z)
• FederatedFactory: Generative One-Shot Learning for Extremely Non-IID Distributed Scenarios [5.6638199968217835]
  フェデレートラーニング(FL)は、データの主権を損なうことなく分散最適化を可能にする。 我々は、識別パラメータから生成前のフェデレーション単位を反転させるゼロ依存フレームワークであるFederatedFactoryを紹介した。
  論文  参考訳（メタデータ） (2026-03-17T10:58:44Z)
• Privacy-Preserved Automated Scoring using Federated Learning for Educational Research [1.2556373621040728]
  本稿では,教育評価の自動評価のための統合学習(FL)フレームワークを提案する。 我々は,2つの最先端FL手法と集中学習ベースラインに対して,我々のモデルをベンチマークする。 その結果,本モデルが最も精度が高い(94.5%)ことが示唆された。
  論文  参考訳（メタデータ） (2025-03-12T19:06:25Z)
• Building Math Agents with Multi-Turn Iterative Preference Learning [56.71330214021884]
  本稿では,モデル性能をさらに向上させるために,補完的な直接選好学習手法について検討する。 既存の直接選好学習アルゴリズムは、もともとシングルターンチャットタスク用に設計されている。 この文脈に合わせたマルチターン直接選好学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:41:04Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
  フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。 我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。 そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-20T04:55:18Z)

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。