論文の概要: MPT: Missing Prototype Tracking via Barycentric Reconstruction in Vehicular Federated Learning
- arxiv url: http://arxiv.org/abs/2609.12771v1
- Date: Fri, 11 Sep 2026 12:24:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.740092
- Title: MPT: Missing Prototype Tracking via Barycentric Reconstruction in Vehicular Federated Learning
- Title（参考訳）: MPT:Vehicular Federated LearningにおけるBarycentric Restructionによるプロトタイプ追跡の欠如
- Abstract要約: 車両間の連合学習により、車両はローカルに収集された運転データをプライベートに保ちながら、認識モデルを改善することができる。
本稿では,プライバシ保護クラスレベルの統計情報から,各ラウンドでプロトタイプを再構築することで,レアクラスの認識を維持するフレームワークMPTを提案する。
MPTはレアクラスのF1ですべてのベースラインを上回り、nuImagesデータセットで0.516に達した。
- 参考スコア（独自算出の注目度）: 1.8451623852211367
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-vehicle federated learning enables vehicles to collaboratively improve perception models while keeping locally collected driving data private. However, vehicle participation is transient, and a vehicle may depart before training converges while permanently taking its local data. When this departing vehicle holds most samples of a target class, the class becomes rare in the remaining FL network, and its recognition can silently degrade as the shared backbone continues to evolve. Recovering the class is difficult since the few remaining samples provide a noisy prototype estimate, while FL privacy constraints prevent centralized access to raw data or per-sample features. This paper presents MPT, a cross-vehicle FL framework that maintains rare-class recognition by reconstructing its prototype at every round from privacy-preserving class-level statistics. MPT combines a barycentric decomposition that tracks drift shared with remaining-class prototypes, a covariance-based residual prediction that estimates out-of-span drift, and an adaptive calibration that weighs the remaining rare-class samples according to their reliability. We evaluate MPT on three vehicle classification tasks and four backbones against representative calibration and drift-compensation baselines. MPT outperforms all baselines in rare class F1, reaching 0.516 on the nuImages dataset with only 1\% of rare-class samples remaining, without raw data, per-sample features, or retraining.
- Abstract（参考訳）: 車両間の連合学習により、車両はローカルに収集された運転データをプライベートに保ちながら、認識モデルを改善することができる。
しかし、車両の参加は過渡的であり、訓練が収束する前に車両が出発し、ローカルデータを永久に取得する。
この出発車両が標的クラスのほとんどのサンプルを保持すると、残りのFLネットワークではクラスは稀になり、その認識は共有バックボーンが進化し続けるにつれて静かに劣化する。
数少ないサンプルがノイズの多いプロトタイプを見積もっているのに対して、FLプライバシの制約は生データやサンプル単位の機能への集中的なアクセスを妨げているため、クラスを復元することは難しい。
本稿では,プライバシ保存型クラスレベルの統計情報から,各ラウンドでプロトタイプを再構築することで,希少なクラス認識を維持する,車間FLフレームワークMPTを提案する。
MPTは、残留クラスのプロトタイプと共有されるドリフトを追跡するバリ中心分解と、アウトオブスパンドリフトを推定する共分散ベースの残留予測と、残りのレアクラスのサンプルを信頼性に応じて測定する適応キャリブレーションを組み合わせる。
3つの車両分類タスクと4つのバックボーンにおいて,MPTを代表校正およびドリフト補償ベースラインに対して評価した。
MPTはレアクラスのF1ですべてのベースラインを上回り、nuImagesデータセットで0.516に達した。
関連論文リスト
- Evaluating Federated Pre-Training: On the Reliability of Downstream Fine-Tuning and Intrinsic Evaluation [3.488204158798457]
フェデレーション事前トレーニングは、基礎となるデータセットを集中させることなく、プライベートまたは分散データ上で基礎モデルをトレーニングする方法を提供する。
我々は,フェデレートされた事前学習品質をより確実に反映する評価プロトコルについて検討した。
論文 参考訳（メタデータ） (2026-07-20T15:14:12Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。
近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。
本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-11T13:44:49Z) - Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple
Logits Retargeting Approach [102.0769560460338]
我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。
提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2024-03-01T03:27:08Z) - FedRSU: Federated Learning for Scene Flow Estimation on Roadside Units [50.930389484343515]
ロードサイドユニット(RSU)は、V2X通信を通じて、自動運転車の安全性とロバスト性を大幅に向上させることができる。
現在、単一のRSUの使用は主にリアルタイム推論とV2Xコラボレーションに焦点を当てている。
多数のRSUから大量のデータを統合することで、モデルトレーニングのための豊富なデータソースを提供することができます。
我々は,自己監督型シーンフロー推定のための革新的なフェデレート学習フレームワークであるFedRSUを紹介する。
論文 参考訳（メタデータ） (2024-01-23T15:52:57Z) - FedDriveScore: Federated Scoring Driving Behavior with a Mixture of
Metric Distributions [6.195950768412144]
集中型学習に代わるプライバシフレンドリな代替手段として,自動車とクラウドのコラボレーションが提案されている。
このフレームワークは、グローバルスコアリングモデルの性能劣化を低減するために、一貫したスコアリング手法のフェデレーションバージョンを含む。
論文 参考訳（メタデータ） (2024-01-13T02:15:41Z) - Integrating Local Real Data with Global Gradient Prototypes for
Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。
データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。
本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
論文 参考訳（メタデータ） (2023-01-25T03:18:10Z) - Federated Zero-Shot Learning for Visual Recognition [55.65879596326147]
本稿では,Federated Zero-Shot Learning FedZSLフレームワークを提案する。
FedZSLは、エッジデバイス上の分散データから中心的なモデルを学ぶ。
FedZSLの有効性と堅牢性は、3つのゼロショットベンチマークデータセットで実施された広範な実験によって実証された。
論文 参考訳（メタデータ） (2022-09-05T14:49:34Z) - MIAShield: Defending Membership Inference Attacks via Preemptive
Exclusion of Members [9.301268830193072]
メンバーシップ推論攻撃では、相手はモデルの予測を観察し、サンプルがモデルのトレーニングデータの一部であるかどうかを判断する。
そこで我々は,MIAShieldを提案する。MIAShieldは,メンバーの存在を隠蔽する代わりに,メンバーサンプルのプリエンプティブ排除に基づく新しいMIAディフェンスである。
我々は,MIAShieldが多岐にわたるMIAの会員推定を効果的に緩和し,最先端の防衛技術と比較してはるかに優れたプライバシー利用トレードオフを実現し,適応的敵に対する耐性を保っていることを示す。
論文 参考訳（メタデータ） (2022-03-02T07:53:21Z) - Local Clustering with Mean Teacher for Semi-supervised Learning [8.54739245813914]
Tarvainen と Valpola の Mean Teacher (MT) モデルは、いくつかの半教師付きベンチマークデータセットで好成績を示した。
そこで本研究では,局所クラスタリング(LC)と呼ばれる簡易で効果的な手法を提案する。
論文 参考訳（メタデータ） (2020-04-20T22:31:31Z)
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。