論文の概要: Personalized Federated Hierarchical Gaussian Processes for Privacy-Preserving Modeling of Heterogeneous Distributed Systems

• arxiv url: http://arxiv.org/abs/2609.19337v1
• Date: Wed, 16 Sep 2026 19:06:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.984725
• Title: Personalized Federated Hierarchical Gaussian Processes for Privacy-Preserving Modeling of Heterogeneous Distributed Systems
• Title（参考訳）: 不均一分散システムのプライバシ保存モデルのためのパーソナライズされた階層型ガウス過程
• Abstract要約: pFedHGPは、ラベル付きサイクルの13.77%を使用して、プレストン数監視において完全な故障分類を行う。 瞬時線形混合モデル視点は、相関センサに対する多出力ガウス過程に階層構造をリンクする。
• 参考スコア（独自算出の注目度）: 4.37121563305304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Personalized Federated Hierarchical Gaussian Processes (pFedHGP) for probabilistic regression and classification when data are distributed across heterogeneous clients. Each client's latent function decomposes into (i) a shared global component, (ii) a client-specific deviation that shares the global kernel structure, and (iii) a flexible local residual. Sparse inducing-variable approximations and federated variational inference keep raw data local while the server synchronizes only low-dimensional statistics for the shared component. Full predictive distributions support uncertainty-aware decisions. In application studies, pFedHGP attains perfect fault classification in press tonnage monitoring using 13.77% of labeled cycles and recovers geographic zones in federated air-quality modeling without centralizing station-level time series. An Instantaneous Linear Mixing Model viewpoint links the hierarchy to multi-output Gaussian processes for correlated sensors.
• Abstract（参考訳）: 不均質なクライアント間でデータが分散される場合、確率的回帰と分類のために、パーソナライズされた階層型ガウス過程(pFedHGP)を提案する。 各クライアントの潜伏関数は分解される (i)共有グローバルコンポーネント (ii)グローバルカーネル構造を共有するクライアント固有の逸脱 (三)フレキシブルな局所残留物。 サーバが共有コンポーネントの低次元統計のみを同期している間、スパース誘導可変近似とフェデレーション付き変分推論は生データを局所的に保持する。 完全な予測分布は不確実性を認識した決定をサポートする。 応用研究において、pFedHGPは13.77%のラベル付きサイクルを使用してプレストン数監視において完全な故障分類を達成し、ステーションレベルの時系列を集中化せずに、連邦空気質モデリングにおいて地理的ゾーンを回復する。 瞬時線形混合モデル視点は、相関センサに対する多出力ガウス過程に階層構造をリンクする。

関連論文リスト

• 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)
• Personalized Federated Learning via Gaussian Generative Modeling [18.268671025343696]
  フェデレートラーニングは、本質的に分散されたクライアントデータに基づいて、モデルを協調的にトレーニングすることを目的としている。 ガウス生成モデルに基づくpFedGMを提案する。 pFedGMは最先端の手法に比べて優れた性能と競争性能を示す。
  論文  参考訳（メタデータ） (2026-03-12T07:26:03Z)
• FedPrism: Adaptive Personalized Federated Learning under Non-IID Data [1.299941371793082]
  FedPrismは、各クライアントのモデルを3つの部分から構築するフレームワークである。 Prism Decompositionメソッドを使用して、各クライアントのモデルを3つの部分から構築する。 また、Dual-Streamデザインを使用しており、地元のスペシャリストと一緒に一般的なモデルを実行している。
  論文  参考訳（メタデータ） (2026-03-09T11:23:32Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Local Performance vs. Out-of-Distribution Generalization: An Empirical Analysis of Personalized Federated Learning in Heterogeneous Data Environments [3.186130813218338]
  本研究は,その局所的性能と一般化能力の両方を包含して,フェデレートラーニングアプローチを徹底的に評価することを含む。 本稿では、FLIU (Federated Learning with individualized Updates) に指定されたFedAvgの修正手法を提案し、適応的パーソナライゼーション係数でアルゴリズムをパーソナライゼーションステップで拡張する。
  論文  参考訳（メタデータ） (2025-10-28T15:15:14Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• FedImpro: Measuring and Improving Client Update in Federated Learning [77.68805026788836]
  フェデレートラーニング(FL)モデルは、不均一なデータによって引き起こされるクライアントのドリフトを経験することが多い。 我々は、クライアントのドリフトに対する別の視点を示し、改善されたローカルモデルを生成することにより、それを緩和することを目指している。
  論文  参考訳（メタデータ） (2024-02-10T18:14:57Z)
• Boosting Federated Learning Convergence with Prototype Regularization [46.23872011375391]
  本稿では,クライアント間の異種データ分散に対処するプロトタイプベースの正規化戦略を提案する。 MNISTとFashion-MNISTの実験結果から,提案手法は平均テスト精度が3.3%,8.9%向上したことがわかった。
  論文  参考訳（メタデータ） (2023-07-20T04:35:50Z)

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。