論文の概要: Distributionally Robust Federated Learning with Multi-Source Data

• arxiv url: http://arxiv.org/abs/2609.20501v1
• Date: Thu, 17 Sep 2026 14:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.327836
• Title: Distributionally Robust Federated Learning with Multi-Source Data
• Title（参考訳）: マルチソースデータを用いた分散ロバストなフェデレーション学習
• Abstract要約: フェデレーション学習は、プライベートクライアントデータから共有モデルをトレーニングする。 我々は、局所的曖昧性集合の許容可能な混合の和として、大域的あいまい性集合を開発する。 高確率のアウトオブサンプル性能保証を確立します。
• 参考スコア（独自算出の注目度）: 3.4223732633027386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning trains a shared model from private client data. In practice, data-generating distributions may differ, and the true mixture across clients is often unknown, making the underlying group distribution difficult to specify. Existing approaches address cross-client mixture uncertainty by optimizing against the worst-case mixture, yet assume accurate client-wise distribution estimates. However, these estimates can be unreliable when based on finite samples. To handle both cross-client mixture uncertainty and within-client distributional ambiguity, we construct a global ambiguity set as the union of admissible mixtures of local ambiguity sets. The construction allows client-specific ambiguity radii and admits a client-wise separable reformulation. Leveraging this structure, we establish a high-probability out-of-sample performance guarantee. We further develop a federated algorithm for a penalty-based reformulation and prove its convergence under milder regularity conditions. Simulations validate the algorithm's effectiveness.
• Abstract（参考訳）: フェデレーション学習は、プライベートクライアントデータから共有モデルをトレーニングする。 実際には、データ生成の分布が異なる場合があり、クライアント間の真の混合がしばしば不明であり、基礎となるグループ分布を特定するのが困難である。 既存のアプローチは、最悪の場合の混合に対して最適化することで、クロスクライアントの混合の不確実性に対処するが、正確なクライアント側の分布推定を仮定する。 しかし、これらの推定は有限標本に基づく場合、信頼できない。 クロスクリエント混合の不確実性と分布内あいまい性の両方に対処するため、局所あいまい性の集合の許容混合の和として大域的あいまい性集合を構築する。 この構成により、クライアント固有のあいまいさラディが許容され、クライアントワイドの分離可能な再構成が許可される。 この構造を活用して、高確率のアウトオブサンプル性能保証を確立する。 さらに、罰則に基づく改定のためのフェデレーションアルゴリズムを開発し、その収束性をより穏やかな規則性条件下で証明する。 シミュレーションはアルゴリズムの有効性を検証する。

関連論文リスト

• FedSPM: Routing-Enabled Federated Learning under Dual Heterogeneity via Semiparametric Mixture [14.751907622686423]
  本稿では、クライアント固有の潜在コンポーネントを使用して各クライアントを表すルーティング可能な半パラメトリック混合フレームワークであるFedSPMを提案する。 制御されたベンチマークと実世界の医療データによる実験では、二重不均一性の下でのルーティングと予測が一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-07-05T02:31:39Z)
• FedGMI: Generative Model-Driven Federated Learning for Probabilistic Mixture Inference [28.071372082273403]
  フェデレートラーニング(FL)は、データ交換を避けてデータのプライバシを保護しながら、分散クライアント間の協調的なモデルトレーニングを容易にする。 その可能性にもかかわらず、FLパフォーマンスはクライアント間のデータ不均一性によってしばしば損なわれる。 我々は,これらの固有分布を表現し,クライアントのローカルデータ分布の混合成分を推定するために,変分オートエンコーダ(VAE)を生成密度推定器として利用するフレームワークであるFedGMIを提案する。
  論文  参考訳（メタデータ） (2026-05-09T07:45:10Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Provably Personalized and Robust Federated Learning [47.50663360022456]
  類似したクライアントのクラスタを識別し、パーソナライズされたモデルパークラスタを訓練する簡単なアルゴリズムを提案する。 アルゴリズムの収束率は、クライアントの真の基盤となるクラスタリングを知っていれば得られるものと一致します。
  論文  参考訳（メタデータ） (2023-06-14T09:37:39Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• When to Trust Aggregated Gradients: Addressing Negative Client Sampling in Federated Learning [41.51682329500003]
  本稿では,各ラウンドにおける集約勾配に対するサーバ学習率を調整するための新しい学習率適応機構を提案する。 我々は、最適なサーバ学習率に肯定的な有意義で堅牢な指標を見つけるために、理論的な推論を行う。
  論文  参考訳（メタデータ） (2023-01-25T03:52:45Z)
• Federated Learning with Heterogeneous Data: A Superquantile Optimization Approach [0.0]
  我々は、不均一なデータを持つ個々のクライアントに対して、優れたパフォーマンスを確実に提供するように設計された、フェデレートされた学習フレームワークを提案する。 提案手法は,誤差の尾の統計を捉える水槽型学習訓練に基づく。
  論文  参考訳（メタデータ） (2021-12-17T11:00:23Z)

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。