Fugu-MT 論文翻訳(概要): CoeF-SFL: Preserving Collaborative Server-Client Learning with Enhanced Communication Efficiency

論文の概要: CoeF-SFL: Preserving Collaborative Server-Client Learning with Enhanced Communication Efficiency

arxiv url: http://arxiv.org/abs/2609.34360v1
Date: Mon, 28 Sep 2026 05:38:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 21:31:06.911707
Title: CoeF-SFL: Preserving Collaborative Server-Client Learning with Enhanced Communication Efficiency
Title（参考訳）: CoeF-SFL: コミュニケーション効率の向上による協調型サーバクライアント学習の保存
Abstract要約: Split Federated Learning (SFL)は、リソース制約のあるクライアントが協調トレーニングに参加することを可能にする。最近の手法では、クライアント側カット層における補助ネットワークにより、このオーバーヘッドを低減している。本稿では,補償フィードバックに基づくSFL(CoeF-SFL)を提案する。
参考スコア（独自算出の注目度）: 2.1771821757134915
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Split Federated Learning (SFL) enables resource-constrained clients to participate in collaborative training, but vanilla SFL exchanges smashed data and gradients at every batch, which incurs significant communication overhead. Recent methods reduce this overhead with an auxiliary network at the client-side cut layer. However, we identify that this approach makes the client optimize a local objective that differs from the end-to-end objective, which fundamentally limits the collaborative training between the client and the server. We propose Compensated Feedback based SFL (CoeF-SFL), a communication-efficient framework that retains the end-to-end objective without any auxiliary network. In CoeF-SFL, the client and the server exchange the smashed data and the gradients once per round and reuse them during local training. Since this reuse makes the gradients stale on the client side, we compensate them with a curvature-based correction in the activation space and develop two variants. CoeF-D approximates the Hessian with a diagonal gradient outer product, while CoeF-J exploits the tractable Jacobian-based Hessian of a surrogate loss that upper-bounds the true loss. We provide the theoretical background of each method, characterizing its compensation. Across vision and language tasks, model capacities, cut layers, and data distributions, CoeF-SFL significantly outperforms auxiliary-network-based methods under the same communication frequency, and the improvement is most substantial on vision tasks. Code is available at https://anonymous.4open.science/r/CoeF-SFL-2686/README.md
Abstract（参考訳）: Split Federated Learning (SFL)は、リソース制約のあるクライアントが協調トレーニングに参加することを可能にする。最近の手法では、クライアント側カット層における補助ネットワークにより、このオーバーヘッドを低減している。しかし、このアプローチによってクライアントは、クライアントとサーバ間の協調的なトレーニングを根本的に制限するエンドツーエンドの目標とは異なる、ローカルな目的を最適化する。本稿では,通信効率の高いフレームワークである補償フィードバックベースSFL(CoeF-SFL)を提案する。 CoeF-SFLでは、クライアントとサーバがスマッシュしたデータと1ラウンドあたりの勾配を交換し、ローカルトレーニング中に再利用する。この再利用により、クライアント側で勾配が安定するので、アクティベーション空間における曲率に基づく補正を補償し、2つの変種を開発する。 CoeF-D は対角勾配外積でヘシアンを近似し、CoeF-J はジャコビアン基底のヘシアンをサロゲート損失として利用し、真の損失を上界とする。それぞれの手法の理論的背景を考察し,その補償を特徴付ける。 CoeF-SFLは、視覚や言語タスク、モデル能力、カット層、データ分散などにわたって、同じ通信周波数で補助的なネットワークベースの手法よりも大幅に優れており、その改善はビジョンタスクにおいて最も顕著である。コードはhttps://anonymous.4open.science/r/CoeF-SFL-2686/README.mdで公開されている。

関連論文リスト

FSL-SAGE: Accelerating Federated Split Learning via Smashed Activation Gradient Estimation [13.034619943612311]
フェデレートラーニング(FL)やスプリットラーニング(SL)のような協調学習手法は、生データを共有せずに分散機械学習を可能にする。補助モデルを用いてサーバ側勾配フィードバックを推定する新しいフェデレーション分割学習アルゴリズムであるFSL-SAGEを提案する。
論文参考訳（メタデータ） (2025-05-29T07:18:59Z)
Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
論文参考訳（メタデータ） (2024-02-28T03:27:10Z)
Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
論文参考訳（メタデータ） (2023-11-03T13:34:44Z)
Subspace based Federated Unlearning [75.90552823500633]
フェデレート・アンラーニング(FL)は、ユーザが忘れられる権利を満たすために、特定のターゲットクライアントのFLへの貢献を取り除くことを目的としている。既存のフェデレートされた未学習アルゴリズムでは、パラメータの更新履歴をサーバに格納する必要がある。そこで我々は,SFUと呼ばれる,単純なyet効率のサブスペースに基づくフェデレーションアンラーニング手法を提案する。
論文参考訳（メタデータ） (2023-02-24T04:29:44Z)
BAFFLE: A Baseline of Backpropagation-Free Federated Learning [71.09425114547055]
フェデレートラーニング(FL)は、分散クライアントがローカルデータを共有せずにサーバモデルをまとめて訓練する一般的な原則である。我々は、バックプロパゲーションを複数のフォワードプロセスに置き換えて勾配を推定する、BAFFLEと呼ばれる、バックプロパゲーションフリーなフェデレーション学習を開発する。 BAFFLEは、1)メモリ効率が高く、アップロード帯域幅に適しており、2)推論のみのハードウェア最適化とモデル量子化やプルーニングと互換性があり、3)信頼できる実行環境に適している。
論文参考訳（メタデータ） (2023-01-28T13:34:36Z)
DReS-FL: Dropout-Resilient Secure Federated Learning for Non-IID Clients via Secret Data Sharing [7.573516684862637]
フェデレートラーニング(FL)は、クライアントのプライベートデータを集中的に収集することなく、機械学習モデルの協調トレーニングを可能にする。本稿では,ラグランジュコンピューティングに基づくDropout-Resilient Secure Federated Learningフレームワークを提案する。 DReS-FLはクライアントのドロップアウトに対して耐性があり、ローカルデータセットのプライバシ保護を提供する。
論文参考訳（メタデータ） (2022-10-06T05:04:38Z)
Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文参考訳（メタデータ） (2022-03-05T02:31:32Z)
Context-Aware Online Client Selection for Hierarchical Federated Learning [33.205640790962505]
フェデレートラーニング(FL)は、データプライバシ問題に対処するための魅力的なフレームワークだと考えられている。フェデレートラーニング(FL)は、データプライバシ問題に対処するための魅力的なフレームワークだと考えられている。
論文参考訳（メタデータ） (2021-12-02T01:47:01Z)
Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
論文参考訳（メタデータ） (2021-01-18T07:19:08Z)

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。