論文の概要: Federated Learning of AnDE Classifiers

• arxiv url: http://arxiv.org/abs/2609.28695v1
• Date: Wed, 23 Sep 2026 18:33:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.495651
• Title: Federated Learning of AnDE Classifiers
• Title（参考訳）: AnDE分類器のフェデレーション学習
• Abstract要約: この研究は、分散環境における平均$n$-Dependence Estimators (AnDE)をトレーニングするための連合フレームワークを提示します。 提案手法は, モデルウェイトを局所的に学習し, グローバルに集約する識別的設定に焦点をあてる。 12個の個別データセットの実験では、$n geq 1$の識別モデルは、フェデレートされたネイブベイズよりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 3.1557164714213464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents a federated framework for training Averaged $n$-Dependence Estimators (AnDE) in distributed environments. The proposed method focuses on the discriminative setting, where model weights are learned locally and aggregated globally, supporting any dependency order $n$. This design allows federated training without transmitting semantically meaningful parameters, improving privacy. Additionally, generative AnDE models are federated to provide a comparative baseline, with optional differential privacy applied to the aggregation of probability tables. Experiments on 12 discrete datasets show that discriminative models with $n \geq 1$ consistently outperform federated Naive Bayes (NB, $n=0$), and that privacy-preserving aggregation is effective with limited accuracy loss. These results establish federated AnDE as a viable and privacy-preserving framework, showing that probabilistic models remain applicable in modern federated learning settings.
• Abstract（参考訳）: この研究は、分散環境における平均$n$-Dependence Estimators (AnDE)をトレーニングするための連合フレームワークを提示します。 提案手法は, モデル重み付けを局所的に学習し, グローバルに集約し, 依存関係の順序を$n$でサポートする識別的設定に焦点をあてる。 この設計により、意味的に意味のあるパラメータを送信せずにフェデレートされたトレーニングが可能になり、プライバシーが向上する。 さらに、生成 AnDE モデルは比較ベースラインを提供するためにフェデレーションされ、任意の差分プライバシーが確率テーブルのアグリゲーションに適用される。 12個の個別データセットの実験では、$n \geq 1$の識別モデルは、フェデレートされたネイブベイズ(NB, $n=0$)を一貫して上回り、プライバシー保護アグリゲーションは、限られた精度の損失で有効であることが示されている。 これらの結果は,フェデレートされたAnDEを実用的でプライバシ保護のフレームワークとして確立し,現代のフェデレーション学習環境においても確率的モデルが引き続き適用可能であることを示す。

関連論文リスト

• Enhancing Federated Quadruplet Learning: Stochastic Client Selection and Embedding Stability Analysis [2.298932494750101]
  フェデレートラーニング(FL)は、データ集中化を必要とせずに、分散クライアント間の分散モデルトレーニングを可能にする。 我々は,クラス間分割をクライアント間で実現しつつ,クラス内表現の最小化を明示的に実施する新しい方法であるFedQuadを提案する。
  論文  参考訳（メタデータ） (2026-05-08T15:34:41Z)
• 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)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• FedDES: Graph-Based Dynamic Ensemble Selection for Personalized Federated Learning [0.07161783472741748]
  FedDESは、動的アンサンブル選択によってインスタンスレベルのパーソナライズを実現する分散pFLフレームワークである。 グラフニューラルネットワーク(GNN)メタラーナーは、データサンプルと候補分類器間の相互作用をモデル化する異種グラフに基づいて訓練される。 CIFAR-10および実世界のICU医療データによる実験では、FedDESは非IID環境での最先端のpFLベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-30T03:57:52Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用い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、堅牢性、およびクロスクライアント適応性において、連邦化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） (2026-01-31T03:11:51Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• A Federated Random Forest Solution for Secure Distributed Machine Learning [44.99833362998488]
  本稿では,データプライバシを保護し,分散環境での堅牢な性能を提供するランダムフォレスト分類器のためのフェデレート学習フレームワークを提案する。 PySyftをセキュアでプライバシを意識した計算に活用することにより、複数の機関がローカルに保存されたデータ上でランダムフォレストモデルを協調的にトレーニングすることが可能となる。 2つの実世界の医療ベンチマークの実験は、フェデレートされたアプローチが、集中型のメソッドの最大9%のマージンで、競争の正確性を維持していることを示している。
  論文  参考訳（メタデータ） (2025-05-12T21:40:35Z)
• Mitigating Group Bias in Federated Learning for Heterogeneous Devices [1.181206257787103]
  フェデレートラーニング(Federated Learning)は、分散エッジアプリケーションにおけるプライバシ保護モデルトレーニングアプローチとして登場している。 本研究は,プライバシを維持しながら,資源利用のオーバーヘッドを伴わずにグループバイアスを最小限に抑えるグループフェアFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-13T16:53:48Z)
• 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)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)

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。