論文の概要: Different Corruptions, Different Signals: Uncertainty and Loss in Federated Data Quality

• arxiv url: http://arxiv.org/abs/2609.31454v1
• Date: Fri, 25 Sep 2026 16:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.48217
• Title: Different Corruptions, Different Signals: Uncertainty and Loss in Federated Data Quality
• Title（参考訳）: 異なる崩壊、異なる信号:フェデレートされたデータ品質の不確かさと損失
• Abstract要約: 本稿では,フェデレートラーニング(FL)における2つの汚職検出信号の比較を行う。 不確実性信号は、モンテカルロ(MC)のドロップアウト分散とエントロピー測度とともに、学習されたアレタリック分散推定を用いて特徴づけられる。 これらの信号は、付加的な画像ノイズと永続的なランダムラベルフリップに対して検証する。
• 参考スコア（独自算出の注目度）: 3.7647321688987883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) data corruption can affect either inputs or labels, but it remains unclear whether input-conditional uncertainty and prediction-label loss expose these corruption modes equally. This paper compares two corruption-detection signals in FL: input-conditional uncertainty and prediction-label loss. The uncertainty signal is characterised using a learned aleatoric variance estimate together with Monte Carlo (MC) dropout variance and entropy measures, while the loss is computed against the supplied label. We test these signals against additive image noise and persistent random label flips. On ResNet-20 with CIFAR-10 and SVHN under Dirichlet partitions with data that are not independent and identically distributed (non-IID), the two corruption types behave differently. For persistent random label flips, the within-client per-sample area under the receiver operating characteristic curve (AUC) is 0.85 on CIFAR-10 and 0.95 on SVHN for prediction-label loss, while every uncertainty estimator stays at chance (0.49--0.50). This pattern is consistent with the model remaining confident in the underlying image despite the supplied label being wrong. For image noise, expected-entropy uncertainty rises above chance (0.67 on CIFAR-10 and 0.66 on SVHN), while loss responds comparably (0.64 on both). Each signal is therefore the stronger detector for a different corruption: the prediction-label loss for persistent label flips, and expected-entropy uncertainty for image noise, with its advantage becoming apparent as federation-wide corruption prevalence increases. Robust FL data-quality assessment should match the signal to the corruption rather than rely on uncertainty alone across corruption types.
• Abstract（参考訳）: フェデレートラーニング(FL)データ破損は入力またはラベルに影響を及ぼすが、入力条件の不確実性と予測ラベル損失がこれらの破損モードを等しく暴露するかどうかは不明である。 本稿では,入力条件の不確かさと予測ラベル損失という,FLにおける2つの破損検出信号を比較する。 不確実性信号は、モンテカルロ(MC)のドロップアウト分散とエントロピー測定とともに学習されたアレタリック分散推定を用いて特徴づけられ、その損失は供給されたラベルに対して計算される。 これらの信号は、付加的な画像ノイズと永続的なランダムラベルフリップに対して検証する。 ResNet-20では、ディリクレ分割の下でのCIFAR-10とSVHNで、独立性がなく、同一に分散したデータ(非IID)では、2つの汚職タイプが異なる振る舞いをする。 永続的なランダムラベルフリップの場合、受信動作特性曲線 (AUC) の下では、CIFAR-10 では 0.85 であり、SVHN では 0.95 であり、不確実性推定器は0.49-0.50 である。 このパターンは、供給されたラベルが間違っているにもかかわらず、基盤となるイメージに自信を持つモデルと一致します。 画像ノイズでは、期待エントロピーの不確実性がより高くなり(CIFAR-10では0.67、SVHNでは0.66)、損失は相互に応答する(両方では0.64)。 したがって、それぞれの信号は、持続的なラベルフリップの予測-ラベル損失、画像ノイズの予測-エントロピーの不確実性など、異なる汚職の強い検知器である。 ロバストなFLデータ品質評価は、汚職タイプでのみ不確実性に頼るのではなく、汚職へのシグナルと一致すべきである。

関連論文リスト

• Why Does the Future Branch? Identifiable Closure Tests for Stochastic Physical World Models [0.0]
  ClosurePairsは、繰り返し発生する障害を伴う互換性のあるマイクロステートを横断します。 ソースの属性は確実に回復する。 非線形相互作用ベンチマークにおける等予算分解誤差を低減する。
  論文  参考訳（メタデータ） (2026-08-01T11:07:24Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Generative Verification: Rethinking the Uncertainty Signal for Active Learning of Object Detection [14.738453379093961]
  生成検証において、独立生成モデルは、予測ボックス内の画素から検出されたラベルを再導出する。 交換された箱、背景の箱、間違ったラベルを持つ正しい箱は、すべて検証に失敗する作物を生み出します。 検証器は検出器の信頼性を決して観測しないため、確実な誤り検出が最高となる。
  論文  参考訳（メタデータ） (2026-07-28T20:10:23Z)
• Two Regimes of Chain-of-Thought Unfaithfulness: Behavioral Detection Fails Where Models Are Wrong [1.2744523252873352]
  ブラックボックス(行動)によるFaithCoT-Benchの人間のアノテーションに対する不誠実なCoTの検出。 答えの正しさはあらゆるレベルで問題を構成する。
  論文  参考訳（メタデータ） (2026-07-26T04:43:53Z)
• Interpretable Uncertainty Routing Separating Emotion Ambiguity from Distribution Shift in Facial Expression Recognition [0.0]
  Uncertainty-Aware Routing (UAR)は、あいまいさとシフトの分離を利用する推論時ルーティングメカニズムである。 提案した二重バリデーションプロトコルは,アレータリックがスピアマン相関とアノテータの不一致を回復することを明らかにする。 UARは、一致したアウト・オブ・ディストリビューション拒絶率において、単一不確実性ルーティングよりも約1.8倍曖昧な分散面を保持する。
  論文  参考訳（メタデータ） (2026-06-21T23:54:44Z)
• TRIAGE: Type-Routed Interventions via Aleatoric-Epistemic Gated Estimation in Robotic Manipulation and Adaptive Perception -- Don't Treat All Uncertainty the Same [2.755751829139168]
  ほとんどの不確実性を認識したロボットシステムは、予測の不確実性を単一のスカラースコアに分解し、それを使って一様に修正された応答をトリガーする。 このアグリゲーションは、破損した観測結果から不確実性が生じるか、あるいは学習されたモデルと真のシステム力学とのミスマッチから生じるのかを曖昧にしている。 本研究では,不確かさを動脈およびてんかん成分に分解する軽量なポストホックフレームワークを導入し,これらの信号を用いて推論時のシステム応答を調節する。
  論文  参考訳（メタデータ） (2026-03-09T09:07:43Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)
• Sample Selection with Uncertainty of Losses for Learning with Noisy Labels [145.06552420999986]
  ノイズの多いラベルで学習する際、サンプル選択アプローチは非常に人気があり、小さなロスデータをトレーニング中に正しくラベル付けされているとみなす。 しかし、ノイズラベルでトレーニングされたモデルに基づいて、損失をオンザフライで発生させるため、大容量のデータはおそらく正しくないが、確実に誤りではない。 本稿では,損失点推定の代わりに間隔推定を採用することにより,損失の不確実性を取り入れる。
  論文  参考訳（メタデータ） (2021-06-01T12:53:53Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。