論文の概要: FedCoT-VQA: A Federated Learning and Unlearning Framework for Chain-of-Thought Planners in VideoQA

• arxiv url: http://arxiv.org/abs/2609.26814v1
• Date: Fri, 18 Sep 2026 18:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.683396
• Title: FedCoT-VQA: A Federated Learning and Unlearning Framework for Chain-of-Thought Planners in VideoQA
• Title（参考訳）: FedCoT-VQA: ビデオQAにおける階層型プランナのためのフェデレートラーニングおよびアンラーニングフレームワーク
• Abstract要約: CoT(Chain-of-Thought)プランナーがビデオQAの効果的な設計として登場した。 我々は、ビデオQAにおいて、CoTプランナのためのフェデレートラーニングおよびアンラーニングフレームワークであるFedCoT-VQAを紹介する。
• 参考スコア（独自算出の注目度）: 19.90686093730321
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chain-of-Thought (CoT) planners have emerged as an effective design for VideoQA, where a lightweight planner first generates intermediate reasoning steps to guide temporal evidence selection before answer prediction. This modularity makes CoT-based VideoQA attractive for federated learning, since only the planner side needs collaborative adaptation while the heavy vision-language backbone can remain fixed. However, in decentralized settings, the planner must not only be trained efficiently across heterogeneous clients but also support later client deletion requests. This is challenging because deleted-client influence is reflected both in model parameters and the planner's reasoning-trace behavior. We present FedCoT-VQA, a federated learning and unlearning framework for CoT planners in VideoQA. FedCoT-VQA consists of three modules: planner-side partitioning (PSP), which exposes a compact shared-residual adaptation space for efficient federated training; server-side aggregation (SSA), which aggregates planner-side updates while maintaining a deletion-ready contribution log; and a residual unlearning module (RUM), which approximates the retained-only counterfactual planner through retained-client replay and selective residual correction, without full retraining. We evaluate FedCoT-VQA in terms of federated training utility, federated unlearning utility, forgetting quality, and efficiency. Results show that compared to current federated approaches, FedCoT-VQA preserves strong federated training utility, improving grounding quality by up to 4.45%. After unlearning, it retains high accuracy and achieves a counterfactual gap of only 7.38%.
• Abstract（参考訳）: CoT(Chain-of-Thought)プランナがVideoQAの効果的な設計として登場し、軽量プランナが最初に中間的推論ステップを生成して、応答予測の前に時間的エビデンスの選択を導く。 このモジュール性は、CoTベースのVideoQAをフェデレート学習に魅力的なものにする。 しかしながら、分散化された設定では、プランナーは異種クライアント間で効率的にトレーニングされるだけでなく、その後のクライアント削除要求もサポートしなければなりません。 モデルパラメータとプランナーの推論トレース動作の両方に、削除されたクライアントの影響が反映されるため、これは難しい。 我々は、ビデオQAにおいて、CoTプランナのためのフェデレートラーニングおよびアンラーニングフレームワークであるFedCoT-VQAを紹介する。 FedCoT-VQAは、効率的なフェデレーショントレーニングのためのコンパクトな共有残差適応空間を公開するプランナー側パーティショニング(PSP)と、削除可能なコントリビューションログを維持しながらプランナー側の更新を集約するサーバ側アグリゲーション(SSA)と、完全リトレーニングなしで保持されるリプレイと選択的リフレクションにより、保持された唯一の非学習モジュール(RUM)の3つのモジュールから構成される。 我々はFedCoT-VQAを、フェデレートトレーニングユーティリティ、フェデレーションアンラーニングユーティリティ、品質と効率を忘れて評価する。 その結果、FedCoT-VQAは、現在のフェデレーションアプローチと比較して、強力なフェデレーショントレーニングユーティリティを保持し、接地品質を最大4.45%向上させることがわかった。 学習後、高い精度を維持し、7.38%の反実的ギャップを達成できる。

関連論文リスト

• FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
  我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。 重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。 本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
  論文  参考訳（メタデータ） (2026-05-11T07:04:51Z)
• Federated Nested Learning: Collaborative Training of Self-Referential Memories for Test-Time Adaptation [50.940432795341735]
  Federated Nested Learning (FedNL)は、Federated Learningを3段階のネスト最適化システムとして再構築する新しいフレームワークである。 FedNLはTitansベースの線形アテンションをFLに組み込み、クライアントが軽量でゼロショットのテストタイムアダプションを実行できるようにする。
  論文  参考訳（メタデータ） (2026-05-08T04:31:46Z)
• FedSGT: Exact Federated Unlearning via Sequential Group-based Training [8.391721120887414]
  Federated Sequential Group-based Training (FedSGT) は、Federated Learning (FL) のための正確なアンラーニングフレームワークである。 FedSGTはデータを一様グループに分割し、各クライアントは複数のグループに参加することができる。 さまざまなタスクの実験では、FedSGTが複数のアンラーニング要求の下で、はるかに長いサービスメンテナンスを実現することが示されている。
  論文  参考訳（メタデータ） (2025-11-28T17:36:03Z)
• Scalable Federated Unlearning via Isolated and Coded Sharding [76.12847512410767]
  フェデレートされたアンラーニングは、クライアントレベルのデータエフェクトを削除するための有望なパラダイムとして登場した。 本稿では,分散シャーディングと符号化コンピューティングに基づく,スケーラブルなフェデレーション・アンラーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T08:41:45Z)
• Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
  フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。 既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。 本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T07:04:48Z)
• Scheduling and Communication Schemes for Decentralized Federated Learning [0.31410859223862103]
  勾配降下(SGD)アルゴリズムを用いた分散連合学習(DFL)モデルが導入された。 DFLの3つのスケジューリングポリシーがクライアントと並列サーバ間の通信のために提案されている。 その結果,提案した計画警察は,収束速度と最終グローバルモデルの両方に影響を及ぼすことがわかった。
  論文  参考訳（メタデータ） (2023-11-27T17:35:28Z)
• Q-REG: End-to-End Trainable Point Cloud Registration with Surface Curvature [81.25511385257344]
  本稿では、リッチな幾何学的情報を用いて、単一の対応から剛性ポーズを推定する新しい解Q-REGを提案する。 Q-REGは、堅牢な推定を徹底的な探索として形式化し、エンドツーエンドのトレーニングを可能にする。 実験では、Q-REGは対応マッチング法に非依存であり、推論とエンドツーエンドトレーニングの両方で使用した場合に一貫した改善を提供する。
  論文  参考訳（メタデータ） (2023-09-27T20:58:53Z)
• Stochastic Coded Federated Learning: Theoretical Analysis and Incentive Mechanism Design [18.675244280002428]
  我々は、コード化されたコンピューティング技術を活用する新しいFLフレームワーク、コード付きフェデレーションラーニング(SCFL)を提案する。 SCFLでは、各エッジデバイスがプライバシを保存するコード化されたデータセットをサーバにアップロードする。 SCFLは、与えられた時間内でより良いモデルを学び、ベースライン方式よりも優れたプライバシーとパフォーマンスのトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-11-08T09:58:36Z)
• Joint Client Scheduling and Resource Allocation under Channel Uncertainty in Federated Learning [47.97586668316476]
  無線ネットワーク上のフェデレートラーニング(FL)は、クライアントサーバの接続性とクライアントのローカル計算能力の信頼性に依存する。 本稿では、FLを用いたモデルトレーニングの性能を高めるため、クライアントスケジューリングとリソースブロック(RB)割り当ての問題について検討する。 提案手法は,最先端クライアントスケジューリングやRBアロケーション手法と比較して,トレーニング精度損失のギャップを最大40.7%削減する。
  論文  参考訳（メタデータ） (2021-06-12T15:18:48Z)
• Fed-Focal Loss for imbalanced data classification in Federated Learning [2.2172881631608456]
  Federated Learningには、デバイスネットワーク上のモデルのトレーニングをコーディネートする中央サーバがある。 課題の1つは、データセットがクラス不均衡である場合の可変トレーニングパフォーマンスである。 焦点損失の線に沿って、適切に分類された例に割り当てられた損失を下げるように、クロスエントロピー損失を変形させることにより、クラス不均衡に対処することを提案する。
  論文  参考訳（メタデータ） (2020-11-12T09:52:14Z)

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。