論文の概要: Unapologetically Distributed: A Call for Decentralized Document Analysis

• arxiv url: http://arxiv.org/abs/2609.39684v1
• Date: Wed, 30 Sep 2026 13:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.824074
• Title: Unapologetically Distributed: A Call for Decentralized Document Analysis
• Title（参考訳）: Unapologetically Distributed: A Call for Decentralized Document Analysis
• Abstract要約: 文献分析における分散学習を評価する最初の総合的研究であるUnapologetically Distributedを提案する。 我々の結果は、分散化は単に制約であるだけでなく、現実の文書分析シナリオにおけるモデルの堅牢性と適応性を改善するための貴重な機会である、という強い証拠を提供する。
• 参考スコア（独自算出の注目度）: 5.489551670660281
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Privacy has become an increasingly important concern in the Document Analysis community, to the extent that in many environments such as archives, governmental institutions, and local businesses, the adoption of automation is restricted by legal and policy constraints. While federated learning has often been regarded as a ``necessary evil'', implying an unavoidable performance trade-off in exchange for decentralization and privacy, many prior works overlook its potential to improve robustness to out-of-distribution data. In this paper, we present Unapologetically Distributed, the first comprehensive study evaluating distributed learning in Document Analysis along three key axes simultaneously: the tasks addressed, the architectures employed, and the fine-tuning strategies applied. Specifically, we demonstrate how various distributed training approaches enhance generalization capabilities across diverse tasks such as Table Recognition, handwriting recognition, and Word Spotting, particularly during transfer learning stages. Our results provide strong evidence that decentralization is not merely a constraint, but a valuable opportunity to improve model robustness and adaptability in real-world Document Analysis scenarios.
• Abstract（参考訳）: プライバシーは、文書分析コミュニティにおいてますます重要になってきており、アーカイブ、政府機関、地方事業など多くの環境において、自動化の採用は法律や政策の制約によって制限されている。 連合学習は「必要悪」と見なされることが多く、分散化とプライバシーと引き換えに避けられないパフォーマンスのトレードオフを示唆するが、多くの先行研究は、アウト・オブ・ディストリビューションデータに対するロバスト性を改善する可能性を見落としている。 本稿では,文書解析における分散学習を3つの重要な軸に沿って同時に評価する最初の総合的研究であるUnapologetically Distributedについて述べる。 具体的には,タブレット認識や手書き認識,ワードスポッティングなど,多種多様なタスク,特に伝達学習の段階において,分散学習アプローチが一般化能力をいかに向上させるかを実証する。 我々の結果は、分散化は単に制約であるだけでなく、現実の文書分析シナリオにおけるモデルの堅牢性と適応性を改善するための貴重な機会である、という強い証拠を提供する。

関連論文リスト

• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
  平均フィールドゲームフレームワークにネットワーク通信を導入する。 当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。 ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
  論文  参考訳（メタデータ） (2023-06-05T10:45:39Z)
• When Decentralized Optimization Meets Federated Learning [41.58479981773202]
  フェデレーション学習は、分散データから知識を抽出するための新しい学習パラダイムである。 既存のフェデレートされた学習アプローチのほとんどは、単一ポイントの障害に対して脆弱な集中的な設定に集中しています。 この問題に対処する別の戦略は、分散化された通信トポロジである。
  論文  参考訳（メタデータ） (2023-06-05T03:51:14Z)

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。