論文の概要: Joint Domain-Class Modeling for Federated Learning Under Feature Skew

• arxiv url: http://arxiv.org/abs/2609.22932v1
• Date: Sat, 19 Sep 2026 10:20:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.588452
• Title: Joint Domain-Class Modeling for Federated Learning Under Feature Skew
• Title（参考訳）: フェデレーション学習のための統合ドメインクラスモデリング
• Abstract要約: フェデレートラーニング(FL)は、プライベート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。 JDFL(Joint Domain-Class Learning)は,潜在領域の変動を生データを共有することなく利用できるようにする軽量な拡張である。
• 参考スコア（独自算出の注目度）: 2.4023426331666267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) enables collaborative model training without centralizing private data, but performance often degrades under feature skew: clients share labels while the conditional input distributions $p_i(x\!\mid\!y)$ vary due to latent, client-specific appearance factors. We propose Joint Domain-Class Federated Learning (JDFL), a lightweight, optimizer-agnostic extension that makes this latent domain variation usable without sharing raw data. JDFL first infers domain clusters called pseudo-domains from brief local update signals. It then expands the classifier head to output $M\times C$, joint (domain-class) logits. This allows the model to represent domain-conditioned appearance while keeping a shared backbone. To train the expanded head we introduce two complementary supervision strategies based on simple intuitions: a similarity-aware soft-labeling that transfers evidence between nearby inferred domains while allowing domain-specific specialization, and a per-sample randomized target assignment that perturbs supervision across the joint outputs and serves as a low-cost training-time regularizer. JDFL integrates with existing standard FL methods (e.g., FedAvg, SCAFFOLD) with minimal changes. Empirically, both supervision modes consistently improve global test accuracy on standard domain-shifted image benchmarks; ablations and sensitivity studies show the gains stem from the proposed supervision and parametrization rather than mere capacity increase.
• Abstract（参考訳）: フェデレートラーニング(FL)は、プライベート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が、クライアントはラベルを共有し、条件付き入力分布は$p_i(x\! さよなら! y) クライアント固有の出現要因が潜伏しているため,$が変化する。 本稿では,JDFL(Joint Domain-Class Federated Learning)を提案する。 JDFLはまず、簡単なローカル更新信号から擬似ドメインと呼ばれるドメインクラスタを推論する。 次に、分類器ヘッドを拡張して$M\times C$, joint (domain-class) logitsを出力する。 これにより、モデルは共有バックボーンを保持しながらドメイン条件の外観を表現することができる。 拡張頭部の訓練には, 類似性に配慮したソフトラベルによる, ドメイン固有の特殊化を許容しながら, 近隣の推論ドメイン間で証拠を伝達する手法と, 共同出力全体にわたって監督を妨害し, 低コストの訓練時間正規化器として機能するサンプルごとのランダム化目標割り当てという, 単純な直感に基づく2つの補完的監督戦略を導入する。 JDFLは、既存の標準FLメソッド(例えば、FedAvg、SCAFFOLD)と最小限の変更で統合する。 実証的には、両方の監視モードは、標準のドメインシフト画像ベンチマークのグローバルテスト精度を一貫して改善する。

関連論文リスト

• Domain-Skewed Federated Learning with Feature Decoupling and Calibration [35.05951359908686]
  フェデレートラーニング(FL)は、分散クライアントがプライバシー保護の方法でグローバルモデルを協調的にトレーニングすることを可能にする。 ドメインスキュー(Domain skew)は、多様なドメインから派生したクライアントのデータが、一貫した表現空間を学習することから集約されたグローバルモデルを妨げる可能性がある。 我々は、ドメイン固有のバイアスのある特徴を校正することで、貴重なクラス関連情報を解放するFederated Feature Decoupling andrimi(F2$DC)を提案する。
  論文  参考訳（メタデータ） (2026-03-15T06:20:22Z)
• Connecting Domains and Contrasting Samples: A Ladder for Domain Generalization [52.52838658375592]
  本稿では,ドメイン間の概念的接続性を高めるために,ドメイン接続型コントラスト学習(DCCL)を提案する。 データ側では、クラス内の接続性を改善するために、よりアグレッシブなデータ拡張とクロスドメインの陽性サンプルが導入されている。 その結果、DCCLはドメインの監督なしに最先端のベースラインを上回ることが確認された。
  論文  参考訳（メタデータ） (2025-10-19T04:13:29Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• FedCCRL: Federated Domain Generalization with Cross-Client Representation Learning [4.703379311088474]
  ドメイン一般化(DG)は、目に見えないドメインに効果的に一般化できるモデルを訓練することを目的としている。 クライアントがデータを直接共有せずに協調的にモデルをトレーニングするフェデレートラーニング(FL)では、既存のDGアルゴリズムはFL設定に直接適用できない。 プライバシを保ちながらモデルの一般化能力を大幅に向上させる軽量なフェデレーションドメイン一般化手法であるFedCCRLを提案する。
  論文  参考訳（メタデータ） (2024-10-15T04:44:21Z)
• Deep Domain Isolation and Sample Clustered Federated Learning for Semantic Segmentation [2.515027627030043]
  本稿では,2次元セグメンテーションタスクにおける参加者間の共変量変化の影響を初めて検討する。 我々は、モデルの勾配空間内で直接画像領域を分離するディープドメイン分離(DDI)を開発する。 我々は,このクラスタリングアルゴリズムをSCFL(Sample Clustered Federated Learning)フレームワークを通じて活用する。
  論文  参考訳（メタデータ） (2024-10-04T12:43:07Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• On Universal Black-Box Domain Adaptation [53.7611757926922]
  実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。 ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。 対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
  論文  参考訳（メタデータ） (2021-04-10T02:21:09Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)

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。