論文の概要: FedMAD: Modulation-Aware Directional Aggregation for Federated Learning in Remote Sensing Image Classification

• arxiv url: http://arxiv.org/abs/2610.00693v1
• Date: Wed, 30 Sep 2026 20:36:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.760684
• Title: FedMAD: Modulation-Aware Directional Aggregation for Federated Learning in Remote Sensing Image Classification
• Title（参考訳）: FedMAD:リモートセンシング画像分類におけるフェデレーション学習のための変調対応方向アグリゲーション
• Abstract要約: リモートセンシング(RS)において,フェデレートラーニング(FL)が注目されている 本稿では,RS画像分類問題に対する新たなパーソナライズFLフレームワーク(FedMAD)を提案する。 提案フレームワークは,グローバルな共有表現パラメータをクライアント固有の適応パラメータから分離し,クライアント固有の特徴を保存する。
• 参考スコア（独自算出の注目度）: 6.101839518775969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) has recently attracted increasing attention in remote sensing (RS) since it enables collaborative model training across decentralized RS image archives without requiring direct access to local data. However, FL performance significantly degrades when the data distributions between clients are heterogeneous, which often occurs due to geographical differences, seasonal changes, and varying image acquisition and atmospheric conditions. To address this challenge, in this letter, we propose a novel personalized FL framework (denoted as FedMAD) for RS image classification problems. The proposed framework separates globally shared representation parameters from client-specific adaptation parameters to preserve client-specific features while maintaining globally transferable representations. This is achieved by integrating lightweight modulation modules and local batch normalization layers into the backbone network. Although globally shared parameters are collaboratively optimized between clients, client-specific parameters remain local to preserve domain-specific feature characteristics. In addition, FedMAD introduces a modulation-aware directional aggregation strategy that dynamically adjusts the importance of aggregation for each client according to the alignment of local modulation updates. This allows the global optimization process to suppress conflicting client updates originating from heterogeneous data distributions while enhancing the contribution of clients with consistent adaptation behaviors. The experimental results obtained on the BigEarthNet-S2 and EuroSAT datasets demonstrate the effectiveness of FedMAD compared to state-of-the-art FL algorithms under heterogeneous RS data distributions. The code of the proposed framework will be publicly available at https://git.tu-berlin.de/rsim/fedmad.
• Abstract（参考訳）: フェデレートラーニング(FL)は、ローカルデータに直接アクセスすることなく、分散RSイメージアーカイブ間で協調的なモデルトレーニングを可能にするため、リモートセンシング(RS)に注目が集まっている。 しかし、FL性能は、クライアント間のデータ分布が不均一であるときに著しく低下し、地理的差や季節変化、画像取得や大気条件の変化によってしばしば発生する。 この課題に対処するため,本稿では,RS画像分類問題に対する新規なFLフレームワーク(FedMAD)を提案する。 提案フレームワークは、グローバルに共有される表現パラメータをクライアント固有の適応パラメータから分離し、グローバルに転送可能な表現を維持しながら、クライアント固有の特徴を保存する。 これは、軽量な変調モジュールとローカルバッチ正規化レイヤをバックボーンネットワークに統合することで実現される。 グローバルに共有されるパラメータは、クライアント間で協調的に最適化されるが、クライアント固有のパラメータは、ドメイン固有の特徴を保存するためにローカルのままである。 さらに、FedMADは、局所変調更新のアライメントに応じてクライアント毎のアグリゲーションの重要性を動的に調整する、変調対応の方向性アグリゲーション戦略を導入している。 これにより、グローバルな最適化プロセスは、一貫した適応動作でクライアントのコントリビューションを高めながら、異種データ分散に由来するクライアント更新の競合を抑制することができる。 BigEarthNet-S2およびEuroSATデータセットで得られた実験結果は、異種RSデータ分布における最先端FLアルゴリズムと比較してFedMADの有効性を示す。 提案されたフレームワークのコードはhttps://git.tu-berlin.de/rsim/fedmad.comで公開される。

関連論文リスト

• Separate Aggregation of Split Network for Personalized Federated Learning [0.9668407688201359]
  フェデレーション学習は、不均一なクライアントデータ分散の下で大幅に劣化する可能性がある。 我々は、パーソナライズされたフェデレーション学習フレームワークであるPGFedSplitを提案する。 Fashion MNIST、CIFAR 10、CIFAR 100、Tiny ImageNetの実験では、アートPFL手法の状態を一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-05-26T05:44:30Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-05T07:02:50Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-31T03:11:51Z)
• Modality Alignment Meets Federated Broadcasting [9.752555511824593]
  フェデレートラーニング(FL)は、ローカルデータを集中化せずに、分散エッジデバイス間でモデルをトレーニングすることで、データのプライバシを保護する強力なアプローチとして登場した。 本稿では,テキストエンコーダをサーバ上に配置し,画像エンコーダをローカルデバイス上で動作させる,モダリティアライメントを利用した新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:30:03Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
  フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。 その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。 我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
  論文  参考訳（メタデータ） (2023-08-20T04:41:01Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• FedCME: Client Matching and Classifier Exchanging to Handle Data Heterogeneity in Federated Learning [5.21877373352943]
  クライアント間のデータの均一性は、フェデレートラーニング(FL)における重要な課題の1つです。 クライアントマッチングと分類器交換によりFedCMEという新しいFLフレームワークを提案する。 実験結果から,FedCMEはFedAvg,FedProx,MOON,FedRSよりも高い性能を示した。
  論文  参考訳（メタデータ） (2023-07-17T15:40:45Z)

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。