論文の概要: Fed-Equilibrium Framework for Topological Pareto Control in Robust and Fair Clinical Federated Learning
- arxiv url: http://arxiv.org/abs/2609.11937v1
- Date: Fri, 03 Jul 2026 19:42:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.494859
- Title: Fed-Equilibrium Framework for Topological Pareto Control in Robust and Fair Clinical Federated Learning
- Title（参考訳）: ロバスト・フェア・クリニカル・フェデレーション・ラーニングにおけるトポロジカル・パレート制御のためのFed-Equilibriumフレームワーク
- Abstract要約: 本稿では,単純な防衛からトポロジカル均衡へパラダイムを進化させるフレームワークであるFed-Equilibriumを提案する。
我々は,Fed-Equilibriumが「知識の優位性」に効果的に対抗し,グローバルな一般化性が局所的な臨床的表現の犠牲にならない真の「知識の共通性」を確立していることを示す。
- 参考スコア（独自算出の注目度）: 9.895231601902339
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment of Federated Learning (FL) in multi-center clinical networks faces the challenge of "knowledge dominance," where high-volume hubs naturally overwhelm minority community nodes, implicitly treating the distinct clinical patterns of smaller cohorts as outliers. Existing geometric defenses provide a security baseline but leave this efficiency-fairness dilemma unresolved. To bridge this gap, we propose Fed-Equilibrium, a framework that advances the paradigm from simple defense to topological equilibrium. Unlike traditional aggregators, Fed-Equilibrium implements a sequential architectural synergy. It utilizes a two-stage gradient control cascade: Stage I (geometric quality assurance) enforces directional consistency via a cosine similarity funnel to filter malicious noise, creating a stabilized manifold; Stage II (topological Pareto control) then actively modulates verified contributions by identifying the optimal Pareto knee point. We validated this framework on a bi-national simulation integrating Canadian (CNODES) and U.S. (SyntheticMass) registries. Experimental results demonstrate that the system simultaneously secures the network against adversarial divergence while accommodating underrepresented signals. Notably, the minority U.S. spoke (representing less than 3% of data volume) achieved deep convergence comparable to the data-rich Canadian hub. This confirms that Fed-Equilibrium effectively counters "knowledge dominance," establishing a true "knowledge commons" where global generalizability does not come at the cost of local clinical representation.
- Abstract（参考訳）: 多施設臨床ネットワークにおけるフェデレートラーニング(FL)の展開は、「知識優位」という課題に直面している。
既存の幾何学的防御はセキュリティのベースラインを提供するが、この効率性と公正性のジレンマは未解決のままである。
このギャップを埋めるため、簡単な防御からトポロジカル均衡へパラダイムを前進させるフレームワークであるFed-Equilibriumを提案する。
従来のアグリゲータとは異なり、Fed-Equilibriumはシーケンシャルなアーキテクチャのシナジーを実装している。
ステージI(幾何学的品質保証)は、コサイン類似性ファンネルを介して方向整合を強制し、悪意のあるノイズをフィルタリングし、安定な多様体を生成する。
カナダ (CNODES) と米国 (SyntheticMass) のレジストリを統合する二国間シミュレーションの枠組みを検証した。
実験結果から,システムは非表示信号の調整をしながら,対向的分岐に対して同時にネットワークを確保できることが示された。
特に、少数派のアメリカ人は(データボリュームの3%未満)、データ豊富なカナダのハブに匹敵する深い収束を達成した。
このことは、Fed-Equilibriumが「知識の優位性」に効果的に対抗し、グローバルな一般化性が局所的な臨床的表現のコストを伴わない真の「知識の共通性」を確立していることを確認している。
関連論文リスト
- Decentralized Federated Learning for Heterogeneous Multi-Task Semantic Communication [16.237398580195496]
本稿では、タスク間干渉を遮断するパーソナライズされたDSCフレームワークを提案する。
ネットワーク全体にわたって、私たちは"通信時アグリゲーション"プロトコルをデプロイします。
提案手法をNYU-v2上で評価した結果, 不十分な凝集と過剰なトポロジカルミキシングとのトレードオフが明らかとなった。
論文 参考訳（メタデータ） (2026-08-15T14:22:58Z) - Beyond Counts: A Distributional Robustness Margin For Pathology Foundation Models [3.654533421083683]
ロバストネス指数(RI)は、局所的な表現幾何学が生物学や非生物学的変異によって支配されているかどうかを定量化する。
距離重み付けは、RIのプール型固定近傍設計に深く制限されているため、ほとんど変化しないことを示す。
我々は、クロス・コンファウンデーション・バイオ・マッチとクロス・コンファウンデーション・バイオ・イントラクタとを直接比較するサンプル解決尺度であるクロス・コンファウンデーション・ロバストネス・マージン(CRoMa)を紹介した。
論文 参考訳（メタデータ） (2026-07-28T09:34:30Z) - OmniISR: A Unified Framework for Centralized and Federated Learning via Intermediate Supervision and Regularization [58.03221830946145]
我々は、純粋なCL、純粋なFL、ハイブリッドCL-FLトレーニングモードを融合する統合フレームワークであるOmniISRを提案する。
我々は,OmniISRが集中型パラダイムとフェデレーション型パラダイムの両方において,モデル性能を一貫して改善していることを示す。
論文 参考訳（メタデータ） (2026-05-19T04:13:27Z) - Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation [52.56850762009136]
ソーシャルボットの検出は、オンラインソーシャルプラットフォームの安定性とセキュリティに不可欠である。
現在の最先端のボット検出モデルは、主に独立して開発されている。
クロスプラットフォームおよびクロスモデル検出フレームワークとしてFedRioを提案する。
論文 参考訳（メタデータ） (2026-04-12T15:13:41Z) - Decentralized Federated Learning by Partial Message Exchange [36.48306604538227]
Decentralized Federated Learning (DFL) は、大規模な異種ネットワーク上での協調学習を可能にする、変革的なサーバフリーパラダイムとして登場した。
本稿では,ランダムに選択されたスパース座標のみを2つの隣接ノード間で交換できる新しいアルゴリズムPaMEを開発する。
PaMEは、高いレベルのプライバシーを維持しながら、精度を犠牲にすることなく、通信コストを大幅に削減する。
論文 参考訳（メタデータ） (2026-03-02T10:57:18Z) - The Emergence of Lab-Driven Alignment Signatures: A Psychometric Framework for Auditing Latent Bias and Compounding Risk in Generative AI [0.0]
本稿では,不確実性の下での潜在特性推定を定量化する新しい監査フレームワークを提案する。
この研究は最適化バイアス、Sycophancy、Status-Quo Legitimizationを含む9つの次元にわたる主要なモデルを監査している。
論文 参考訳（メタデータ） (2026-02-19T06:56:01Z) - Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
最小コア(LC)概念に基づく配当フレームワークを提案する。
従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。
統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
論文 参考訳（メタデータ） (2026-02-03T11:10:50Z) - CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge [50.42067935605982]
ローカルメモリの効率とグローバル通信の削減を両立させる新しい圧縮・結合型学習フレームワークを提案する。
CoCo-Fedは、メモリと通信効率の両方において最先端のベースラインを著しく上回り、非IID設定下では堅牢な収束を維持している。
論文 参考訳（メタデータ） (2026-01-02T03:39:50Z) - TernaryVote: Differentially Private, Communication Efficient, and
Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。
提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文 参考訳（メタデータ） (2024-02-16T16:41:14Z)
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。