論文の概要: FedSocket: Recipient-Executable Knowledge Exchange for Heterogeneous Multimodal Federated Learning

• arxiv url: http://arxiv.org/abs/2609.37582v1
• Date: Tue, 29 Sep 2026 13:42:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.573457
• Title: FedSocket: Recipient-Executable Knowledge Exchange for Heterogeneous Multimodal Federated Learning
• Title（参考訳）: FedSocket: 不均一なマルチモーダル・フェデレーション学習のためのレシピ実行可能な知識交換
• Abstract要約: FedSocketは、異なるモダリティとタスクを持つ受信者によって利用可能な交換知識を提供する。 共有Qは、受信者計算可能なインプット、タスク所有出力、オーナシップ対応アグリゲーションを組み合わせる。 プライベートモデルはローカルQコピーを教える。返されるQはローカル学習とジョイント推論をサポートする。
• 参考スコア（独自算出の注目度）: 5.005590931441512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated knowledge must remain usable by recipients with different modalities, private architectures, and tasks. We present FedSocket, which makes recipient execution a design requirement of the exchanged model. A shared Q combines recipient-computable inputs, task-owned outputs, and ownership-aware aggregation, connecting heterogeneous private models through a common prediction interface. Private models teach local Q copies; the returned Q supports local learning and Joint inference, with only Q parameters and counts exchanged. Across six datasets, FedSocket improves missing-modality recipient accuracy over Local by 14.44 and 15.51 percentage points on MELD and UCF-51. Under matched inference capacity, Joint exceeds independent ensembles by 11.06 points in UCF-51 accuracy and 4.87 points in mean bidirectional Flickr30k R@1. Joint also improves over Q alone on all four heterogeneous endpoints, demonstrating the value of combining local and exchanged predictions. Teacher controls, sharing-path interventions, and component factorials identify the roles of supervision, sharing, and deployment. FedSocket makes exchanged knowledge directly usable from federated training to recipient inference.
• Abstract（参考訳）: フェデレートされた知識は、異なるモダリティ、プライベートアーキテクチャ、タスクを持つ受信者によって使用できなければならない。 提案するFedSocketは、受信者の実行を交換されたモデルの設計要件にする。 共有Qは、受信者計算可能な入力、タスク所有出力、オーナシップ対応アグリゲーションを組み合わせて、共通の予測インターフェースを介して異種プライベートモデルを接続する。 プライベートモデルはローカルQコピーを教える。返されるQはローカル学習とジョイント推論をサポートし、Qパラメータと数だけを交換する。 6つのデータセットで、FedSocketはローカルよりも14.44ポイント、MELDとUCF-51の15.51ポイントの非モダリティ受信精度を改善している。 一致した推論能力の下では、ジョイントは独立アンサンブルを 11.06 点の UCF-51 精度で、平均4.87 点の Flickr30k R@1 で上回っている。 ジョイントはまた、4つの不均一なエンドポイントのすべてにおいてQのみを改善し、局所的および交換された予測を組み合わせる価値を実証する。 教師のコントロール、共有パスの介入、コンポーネントファクターは、監督、共有、デプロイメントの役割を特定する。 FedSocketは、フェデレートされたトレーニングから受信者推論まで、交換された知識を直接使用できるようにする。

関連論文リスト

• NEXUS-MI: Communication-Aware Federated Personalization for Gateway-Coordinated Motor-Imagery Brain-Computer Interfaces [0.552480439325792]
  フェデレーション学習は、生の脳波を集中化せずに共有表現を利用することができるが、既存のフェデレーションMI研究は概ね規則的同期を前提としている。 NEXUS-MIは、同期を複合学習通信制御問題として扱うゲートウェイ協調型個人化フレームワークである。 結果: 通信対応のコーディネーションにより、両方のデータセットでサーバからクライアントまでのバックボーントラフィックが約42%削減された。
  論文  参考訳（メタデータ） (2026-09-09T06:34:45Z)
• Share First, Route What Remains: A Unified Framework for Token-Adaptive MoE Computation [49.8459545291965]
  Mixture-of-experts (MoE)モデルは、最近、一定数の完全なエキスパートをルーティングする以上の動きをしている。 我々は、この依存度を、わずかにリサイクルされたフィードフォワードの専門家をキーバリューチャネルに分解することで研究する。 トークン適応型MoE計算のための統一フレームワークであるUniF-MoEでインスタンス化する。
  論文  参考訳（メタデータ） (2026-08-11T02:40:58Z)
• FedSPM: Routing-Enabled Federated Learning under Dual Heterogeneity via Semiparametric Mixture [14.751907622686423]
  本稿では、クライアント固有の潜在コンポーネントを使用して各クライアントを表すルーティング可能な半パラメトリック混合フレームワークであるFedSPMを提案する。 制御されたベンチマークと実世界の医療データによる実験では、二重不均一性の下でのルーティングと予測が一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-07-05T02:31:39Z)
• Prediction-space knowledge markets for communication-efficient federated learning on multimedia tasks [0.0]
  フェデレートラーニング(FL)は、分散マルチメディアデータによる協調トレーニングを可能にする。 FLの予測空間知識取引市場であるKTA v2を提案する。 FEMNIST、CIFAR-10、AG Newsの実験では、KTA v2はローカルのみのベースラインと強力なパラメータベースの手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-30T11:24:19Z)
• Whom to Trust? Adaptive Collaboration in Personalized Federated Learning [11.923664505655026]
  共同作業における適応性ときめ細かな信頼は、個々の事例のレベルで、フェデレートされた半教師付き学習において達成可能であることを示す。 FEDMOSAICは、顧客による個人別合意と信頼度に基づいて、その損失と擬似ラベルへの貢献を重み付けするパーソナライズされた協調学習手法である。
  論文  参考訳（メタデータ） (2025-06-30T20:53:01Z)
• FedIN: Federated Intermediate Layers Learning for Model Heterogeneity [7.781409257429762]
  フェデレートラーニング(FL)は、エッジデバイスがローカルおよびプライベートにトレーニングデータを維持しながら、グローバルな共有モデルを協調的にトレーニングすることを促進する。 本研究では,FedIN(Federated Intermediate Layers Learning)と呼ばれるFL手法を提案する。 実験結果から, 異種モデル環境におけるFedINの性能は, 最先端のアルゴリズムと比較して優れていた。
  論文  参考訳（メタデータ） (2023-04-03T07:20:43Z)
• FedX: Unsupervised Federated Learning with Cross Knowledge Distillation [70.73383643450548]
  FedXは教師なしのフェデレーション学習フレームワークである。 分散化および異質なローカルデータからバイアスのない表現を学ぶ。 フェデレートされた設定で、既存の教師なしアルゴリズムのアドオンモジュールとして使用できる。
  論文  参考訳（メタデータ） (2022-07-19T09:56:44Z)
• FedH2L: Federated Learning with Model and Statistical Heterogeneity [75.61234545520611]
  フェデレートラーニング(FL)は、分散参加者が個々のデータのプライバシを犠牲にすることなく、強力なグローバルモデルを集合的に学習することを可能にする。 我々はFedH2Lを導入し、これはモデルアーキテクチャに非依存であり、参加者間で異なるデータ分散に対して堅牢である。 パラメータや勾配を共有するアプローチとは対照的に、FedH2Lは相互蒸留に依存し、参加者間で共有シードセットの後方のみを分散的に交換する。
  論文  参考訳（メタデータ） (2021-01-27T10:10:18Z)
• DICE: Diversity in Deep Ensembles via Conditional Redundancy Adversarial Estimation [109.11580756757611]
  メンバー間の多様性のおかげで、ディープアンサンブルは単一のネットワークよりもパフォーマンスが良い。 最近のアプローチでは、多様性を高めるための予測を規則化していますが、個々のメンバーのパフォーマンスも大幅に減少します。 DICEと呼ばれる新しいトレーニング基準を導入し、特徴間の素早い相関を減らして多様性を高める。
  論文  参考訳（メタデータ） (2021-01-14T10:53:26Z)
• Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detection [78.11775981796367]
  GFLV2 (ResNet-101) は14.6 FPSで46.2 APを達成し、以前の最先端ATSSベースライン (43.6 AP at 14.6 FPS) をCOCO tt test-devで絶対2.6 APで上回った。 コードはhttps://github.com/implus/GFocalV2.comから入手できる。
  論文  参考訳（メタデータ） (2020-11-25T17:06:37Z)
• WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
  データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。 本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
  論文  参考訳（メタデータ） (2020-08-13T04:26:31Z)

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。