Fugu-MT 論文翻訳(概要): Opinion Dynamics-based Coalition Formation for Federated Learning in Heterogeneous IoT Systems

論文の概要: Opinion Dynamics-based Coalition Formation for Federated Learning in Heterogeneous IoT Systems

arxiv url: http://arxiv.org/abs/2609.19695v1
Date: Thu, 17 Sep 2026 04:44:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:54.111142
Title: Opinion Dynamics-based Coalition Formation for Federated Learning in Heterogeneous IoT Systems
Title（参考訳）: 不均一IoTシステムにおけるフェデレーション学習のためのオピニオンダイナミクスに基づく協調形成
Abstract要約: フェデレーション学習(FL)は、ヘテロジニアスなIoT(Internet-of-Things)デプロイメントを通じて、プライバシ保護、デバイス上でのトレーニングを可能にする。当社は、地域重み空間で直接クライアント連立を結成し、連立レベルで集約することで、この問題に対処する。実際の水消費のスマートな測定データセットの実験により、提案されたHKベースの連立構造は、少なくとも10回の内部反復で安定した内在的連立構造を生成することが示された。
参考スコア（独自算出の注目度）: 2.003259149008956
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning (FL) enables privacy-preserving, on-device training across heterogeneous Internet-of-Things (IoT) deployments such as smart-city water-metering networks, where each smart meter observes a household-specific consumption time series. Under such statistical heterogeneity, the standard Federated Averaging (FedAvg) aggregation averages dissimilar local models into a single global model that may fail to capture client-specific patterns. We address this by forming client coalitions directly in the local-weight space and aggregating at the coalition level. Extending a prior weight-driven coalition-formation scheme, we model coalition formation as a Hegselmann-Krause (HK) bounded-confidence opinion-dynamics process acting on the local weights, and develop variants of the HK interaction based on Euclidean-distance and cosine-similarity confidence criteria. The framework is applied to short-term water-consumption forecasting with local Long Short-Term Memory (LSTM) models and evaluated against FedAvg, Per-FedAvg, FedProx, and FedAvg with Euclidean-distance or cosine-similarity coalition formation. Experiments on a real smart-metering dataset of water consumption show that the proposed HK-based coalition formation produces stable, endogenous coalition structures within at most ten inner iterations, incurs no additional client-side computation or communication compared to FedAvg, and reduces the average MAE by up to 54% relative to FedAvg, 39% relative to FedProx, and 24% relative to Per-FedAvg, while achieving the highest global accuracy (83-85%).
Abstract（参考訳）: フェデレーション・ラーニング(FL)は、スマートシティ・ウォーターメーターネットワークなどの異種IoT(Internet-of-Things)デプロイメントにおけるプライバシ保護とオンデバイストレーニングを可能にする。このような統計的不均一性の下では、標準フェデレーション平均化(FedAvg)アグリゲーションは、異なる局所モデルを単一のグローバルモデルに分割し、クライアント固有のパターンをキャプチャできない可能性がある。当社は、地域重み空間で直接クライアント連立を結成し、連立レベルで集約することで、この問題に対処する。従来の重み駆動型連立形成スキームを拡張して、我々は、局所重みに作用するヘグセルマン・クラウス(HK)境界信頼意見力学プロセスとして連立形成をモデル化し、ユークリッド距離およびコサイン類似性信頼基準に基づくHK相互作用の変種を開発する。本フレームワークは, 局所的長期記憶モデルを用いた短期的水消費予測に適用し, ユークリッド距離もしくはコサイン相似連成によるFedAvg, Per-FedAvg, FedProx, FedAvgに対して評価した。実際の水消費のスマートな測定データセットを用いた実験では、提案されたHKベースの連立構造は、少なくとも10回のインナーイテレーションで安定した内在的連立構造を生成し、FedAvgと比較してクライアント側での計算や通信を不要にし、平均MAEをFedAvgに対して最大54%、FedProxに対して39%、Per-FedAvgに対して24%削減する。

関連論文リスト

Fed-CausalDiff: Decoupled Synchronization for Federated Do-Simulation and Policy Evaluation [3.969626207862676]
Fed-CausalDiffは、do-simulationのための連合因果拡散フレームワークである。このアーキテクチャは潜在状態の進化を大域因果点関数と局所共起点関数に分解する。 4つのデータセットの実験により、Fed-CausalDiffはより優れたATEとポリシー値の推定精度を達成することが示された。
論文参考訳（メタデータ） (2026-06-21T14:04:33Z)
Optimized Federated Knowledge Distillation with Distributed Neural Architecture Search [7.461859467262201]
フェデレートラーニング(FL)は、データを集中せずに協調的なモデルトレーニングを可能にする。既存のFLアプローチは、集約、パーソナライゼーション、知識蒸留の改善を通じてこれらの課題を軽減する。この研究は、クライアント側ニューラルアーキテクチャ選択とサーバ協調知識の蒸留を組み合わせた蒸留駆動FLフレームワークであるFedKDNASを紹介する。
論文参考訳（メタデータ） (2026-05-20T15:50:49Z)
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)
Copula-Based Aggregation and Context-Aware Conformal Prediction for Reliable Renewable Energy Forecasting [15.641461394573499]
本稿では,現場レベルの確率予測を信頼性の高い艦隊レベルの予測に変換する確率集約フレームワークを提案する。このフレームワークは、コプラに基づく依存モデルを統合し、コンテキスト・アウェア・コンフォーマル予測(CACP)とクロスサイト相関をキャプチャし、集約されたレベルでの誤校正を補正する。
論文参考訳（メタデータ） (2026-01-31T17:51:01Z)
CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
論文参考訳（メタデータ） (2025-10-23T05:10:06Z)
Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
論文参考訳（メタデータ） (2025-02-05T16:33:36Z)
Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文参考訳（メタデータ） (2025-01-17T04:00:50Z)
Federated Learning under Heterogeneous and Correlated Client Availability [10.05687757555923]
本稿では,FedAvg-like FLアルゴリズムに対する不均一かつ相関のあるクライアント可用性下での最初の収束解析について述べる。本稿では,収束速度の最大化とモデルバイアスの最小化という相反する目標のバランスをとろうとする新しいFLアルゴリズムCA-Fedを提案する。実験の結果,CA-Fedは最先端のAdaFedやF3ASTよりも時間平均精度が高く,標準偏差も低いことがわかった。
論文参考訳（メタデータ） (2023-01-11T18:38:48Z)
FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
論文参考訳（メタデータ） (2022-12-14T13:57:01Z)

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。