論文の概要: Federated Soft Clustering via Generalized Total Variation Minimization

• arxiv url: http://arxiv.org/abs/2609.19202v1
• Date: Wed, 16 Sep 2026 09:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.947606
• Title: Federated Soft Clustering via Generalized Total Variation Minimization
• Title（参考訳）: 一般化トータル変分最小化によるフェデレーションソフトクラスタリング
• Abstract要約: 一般化総変分最小化(GTVMin)は、グラフ正規化器を通して局所的な最大可能性問題を結合する。 計算コストを特徴付けるとともに,データの不均一性に対するロバスト性を評価する。
• 参考スコア（独自算出の注目度）: 47.26943674490726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study federated soft clustering over federated learning (FL) networks of devices that each hold a private local dataset and fit a personalized Gaussian mixture model (GMM). Generalized total variation minimization (GTVMin) couples the local maximum likelihood problems through a graph regularizer that penalizes a discrepancy between the models of connected nodes. The choice of discrepancy measure is a key design decision: we compare a squared Euclidean distance between model parameters, which requires component matching, with two measures that compare the local model distributions directly and hence need no matching: a Monte-Carlo approximated Kullback-Leibler (KL) divergence and a closed-form maximum mean discrepancy (MMD). All three resulting GTVMin instances are optimized by synchronous projected gradient updates; for the smooth MMD instance we provide a convergence guarantee to stationary points. We characterize their computational cost and evaluate their robustness to data heterogeneity.
• Abstract（参考訳）: 我々は,各デバイスがプライベートなローカルデータセットを持ち,パーソナライズされたガウス混合モデル(GMM)に適合する,統合学習(FL)ネットワーク上でのフェデレーションソフトクラスタリングについて検討した。 一般化総変分最小化(GTVMin)は、連結ノードのモデル間の相違をペナライズするグラフ正規化器を通じて、局所的な最大可能性問題を結合する。 モデルパラメータ間の2乗ユークリッド距離と、局所モデル分布を直接比較し、したがってマッチングを必要としない2つの尺度を比較する:モンテカルロ近似KL(Kulback-Leibler)偏差と閉形式最大平均誤差(MMD)。 これら3つのGTVMinインスタンスは同期的な勾配更新によって最適化され、スムーズなMDDインスタンスでは定常点に対する収束保証を提供する。 計算コストを特徴付けるとともに,データの不均一性に対するロバスト性を評価する。

関連論文リスト

• Private Adaptive Covariance Estimation via Gaussian Graphical Models [17.445722519053046]
  PACE-GGMは、経験的共分散行列の最も情報性の高いエントリにプライバシー予算を集中させる。 様々な実世界のデータセットの実験では、推定誤差が一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-05-22T23:49:45Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-05T07:02:50Z)
• Variational Gaussian Mixture Manifold Models for Client-Specific Federated Personalization [0.0]
  VGM$2$は、クライアント固有のパラメトリックUMAP埋め込みを学習する幾何学中心のPFLフレームワークである。 各クライアントは、マーカーの重み、手段、およびばらつきに対してディリクレ-ノルマル-逆-ガンマの後部を保持する。 VGM$2$は、強いベースラインに比べて、競争力または優れたテストF1スコアを達成する。
  論文  参考訳（メタデータ） (2025-09-04T01:28:02Z)
• SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
  非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。 いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
  論文  参考訳（メタデータ） (2023-08-16T14:25:30Z)
• FedHB: Hierarchical Bayesian Federated Learning [11.936836827864095]
  フェデレートラーニング(FL)に対する新しい階層的ベイズ的アプローチを提案する。 本モデルは階層ベイズモデルを用いてクライアントの局所データの生成過程を合理的に記述する。 ブロック座標FLアルゴリズムは、O(sqrtt)$の速度で目的の最適値に収束することを示す。
  論文  参考訳（メタデータ） (2023-05-08T18:21:41Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Simplex Clustering via sBeta with Applications to Online Adjustment of Black-Box Predictions [16.876111500144667]
  我々はk-sBetasと呼ばれる新しい確率的クラスタリング手法を提案する。 クラスタリング分布の総括的最大アプリート(MAP)視点を提供する。 我々のコードと既存の単純なクラスタリング手法との比較および導入したソフトマックス予測ベンチマークが公開されている。
  論文  参考訳（メタデータ） (2022-07-30T18:29:11Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)

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。