論文の概要: Agentic Federated Learning: Rule-Based Client and Server Agents for Adaptive Training

• arxiv url: http://arxiv.org/abs/2609.35914v1
• Date: Mon, 28 Sep 2026 09:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.889465
• Title: Agentic Federated Learning: Rule-Based Client and Server Agents for Adaptive Training
• Title（参考訳）: エージェントフェデレーション学習 - ルールベースのクライアントとサーバエージェントによる適応トレーニング
• Abstract要約: Federated Learning (FL)は、生データを共有せずに、分散クライアント間で協調的なモデルトレーニングを可能にする。 本稿では,クライアントレベルとサーバレベルで軽量なルールベース自律エージェントを統合するエージェントフェデレーション学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables collaborative model training across distributed clients without sharing raw data, making it suitable for privacy-sensitive applications such as healthcare, finance, and edge intelligence. However, conventional FL approaches rely on static client participation and fixed aggregation strategies, which limits their effectiveness under non-IID data distributions, heterogeneous client behavior, and noisy or unreliable updates. To overcome these issuess, this paper proposes an Agentic Federated Learning (AFL) framework that integrates lightweight rule-based autonomous agents at both client and server levels. The proposed framework introduces a Client-Side Agent (CSA) that dynamically adapts local training parameters, controls participa- tion, and evaluates update reliability, while a Server-Side Orchestrator Agent (SSOA) performs quality-aware client selection and adaptive aggregation. Unlike traditional FL methods, AFL enables context-aware decision-making during the training process, improving adaptability and robustness in dynamic distributed environments. Extensive experiments conducted on the CIFAR-10 dataset under IID, non-IID, and noisy-client settings demonstrate that AFL consistently outperforms standard base- lines including FedAvg and FedProx. Experimental results show improvements in classification accuracy, convergence speed, robustness against corrupted updates, and communication efficiency. Ablation studies further confirm the complementary contributions of CSA and SSOA, while statistical analysis validates the significance of the observed gains. The proposed AFL framework demonstrates that incorporating autonomous agentic reasoning into federated learning provides an effective and practical solution for intelligent, adaptive, and robust distributed learning systems.
• Abstract（参考訳）: Federated Learning(FL)は、生データを共有せずに分散クライアント間で協調的なモデルトレーニングを可能にし、医療、金融、エッジインテリジェンスといったプライバシに敏感なアプリケーションに適している。 しかし、従来のFLアプローチは静的クライアント参加と固定集約戦略に依存しており、非IIDデータ分散、異種クライアントの振る舞い、ノイズや信頼性の低い更新での有効性を制限している。 これらの問題を克服するために,クライアントレベルとサーバレベルで軽量なルールベース自律エージェントを統合するエージェントフェデレートラーニング(AFL)フレームワークを提案する。 提案フレームワークでは、ローカルトレーニングパラメータを動的に適応し、Participa-tionを制御し、更新信頼性を評価するクライアントサイドエージェント(CSA)を導入し、サーバサイドオーケストレータエージェント(SSOA)は品質に配慮したクライアントの選択と適応アグリゲーションを実行する。 従来のFLメソッドとは異なり、AFLはトレーニングプロセス中にコンテキスト対応の意思決定を可能にし、動的分散環境における適応性と堅牢性を改善する。 IID, 非IID, ノイズ周期設定下でのCIFAR-10データセットによる大規模な実験により、AFLはFedAvgやFedProxなどの標準ベースラインを一貫して上回っていることが示された。 実験の結果, 分類精度, 収束速度, 破損した更新に対する堅牢性, 通信効率が向上した。 アブレーション研究は、CSAとSSOAの相補的な寄与をさらに確認し、統計分析は、観測された利得の意義を検証する。 提案したAFLフレームワークは,自律エージェント推論をフェデレート学習に組み込むことで,インテリジェントで適応的で堅牢な分散学習システムに対して,効果的かつ実用的なソリューションを提供することを示す。

関連論文リスト

• Cooperative Multi-Agent Reinforcement Learning for Adaptive Aggregation in Semi-Supervised Federated Learning with non-IID Data [4.9856574965240545]
  フェデレートラーニング(FL)は、データのプライバシを保持しながら、機械学習モデルの分散トレーニングを可能にする。 pFedMARLを提案する。これは、MARL(Multi-Agent Reinforcement Learning)とTD(Deep Deterministic Policy Gradient)を組み合わせた新しいアプローチである。 提案手法では,クライアントのコントリビューションを調整するサーバ側エージェントを用いて,グローバルモデルロバストネスを最適化し,クライアント側エージェントがグローバルモデルとローカルアップデートのバランスをとり,事前学習をせずにモデルを効果的にパーソナライズする。
  論文  参考訳（メタデータ） (2026-08-26T13:46:43Z)
• Data-Free Client Contribution Estimation via Logit Maximization for Federated Learning [26.920835271145492]
  logit(CELM)に基づくクラスワイドコントリビューション推定と集約フレームワークを提案する。 CELMは、生データやクライアントメタデータ、補助的な公開データセットの共有を必要としない。 制御された非IIDおよび病理ラベル分割に基づく代表視覚ベンチマークのアプローチを評価する。
  論文  参考訳（メタデータ） (2026-05-17T05:49:48Z)
• 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)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Balancing Client Participation in Federated Learning Using AoI [3.2999744336237384]
  Federated Learning(FL)は、分散クライアント間で協調的なモデルトレーニングを可能にしながら、データのプライバシを保存する分散フレームワークを提供する。 本稿では、制御された選択間隔を通して負荷不均衡を最小限に抑えることで、これらの課題に対処する情報時代(AoI)ベースのクライアント選択ポリシーを提案する。
  論文  参考訳（メタデータ） (2025-05-08T09:55:28Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• TRAIL: Trust-Aware Client Scheduling for Semi-Decentralized Federated Learning [13.144501509175985]
  本稿では、クライアントの状態とコントリビューションを評価するTRAILと呼ばれるTRust-Aware clIent scheduLing機構を提案する。 我々は、エッジサーバとクライアントが信頼できないクラスタ内モデルアグリゲーションとクラスタ間モデルコンセンサスを使用して、共有グローバルモデルをトレーニングする半分散FLフレームワークに焦点を当てる。 実世界のデータセットで行われた実験では、TRAILは最先端のベースラインを上回っ、テスト精度が8.7%向上し、トレーニング損失が15.3%減少した。
  論文  参考訳（メタデータ） (2024-12-16T05:02:50Z)
• FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning [57.38427653043984]
  フェデレートラーニング(FL)は、分散クライアント間の機械学習モデルの協調トレーニングにおいて、顕著なアプローチとして登場した。 我々は,この課題に対処するために設計された,革新的なクライアント適応アルゴリズムであるFedCAdaを紹介する。 我々はFedCAdaが適応性、収束性、安定性、全体的な性能の点で最先端の手法より優れていることを実証する。
  論文  参考訳（メタデータ） (2024-05-20T06:12:33Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)

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。