論文の概要: FedCKA: Representation-Guided Layer Personalization for Federated 3D Perception Across Driving Domains

• arxiv url: http://arxiv.org/abs/2610.01510v1
• Date: Thu, 01 Oct 2026 11:46:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.096143
• Title: FedCKA: Representation-Guided Layer Personalization for Federated 3D Perception Across Driving Domains
• Title（参考訳）: FedCKA: 運転領域横断のフェデレーション3次元知覚のための表現誘導層パーソナライゼーション
• Abstract要約: 我々は,個人化とグローバル化のトレードオフを動的に処理するカーネルアライメント戦略であるFedCKAを提案する。 レイヤワイズ類似度スコアをクライアント固有のアグリゲーションマスクに変換することで、FedCKAは表現一貫性のある層を選択的に共有する。
• 参考スコア（独自算出の注目度）: 10.639939026614764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust perception in intelligent vehicles demands 3D object detectors that remain dependable under domain shifts, such as changes in time of day, location, or weather. However, due to costly annotation and rare shifts, some environments lack sufficient data to train a standalone detector. Federated learning offers a privacy-preserving framework for collaborative model training, enabling clients to benefit from shared learning across diverse environments. Yet, this framework traditionally relies on a single global consensus model, which struggles to perform across heterogeneous local data distributions. Local conditions are better captured by adapting a subset of the model, but many personalization approaches rely on predefined layer partitions or fixed personalization ratios, thereby limiting adaptation to client-specific divergence. To reduce this rigidity, we propose FedCKA, a Centered Kernel Alignment (CKA)-based strategy that dynamically handles the personalization-globalization trade-off. Specifically, FedCKA computes layer-wise feature similarities between local client models and the global consensus model during training. By converting layer-wise similarity scores into client-specific aggregation masks, FedCKA selectively shares representation-consistent layers. Evaluation on a unified multi-domain benchmark based on nuScenes shows that FedCKA outperforms established federated baselines, including FedBN, FedRep, and FedSelect, improving average NDS by 7 percentage points over the strongest baseline. The findings offer both a comparative benchmark and a promising direction for robust federated 3D perception across shifts in location, weather, and illumination. Code is available at https://github.com/j-verhoog/FedCKA.
• Abstract（参考訳）: インテリジェントな車両におけるロバストな認識は、日時、位置、天候の変化など、ドメインシフトの下で依存できる3Dオブジェクト検出器を必要とする。 しかし、高価なアノテーションと稀なシフトのため、いくつかの環境はスタンドアロンの検出器を訓練するのに十分なデータを持っていない。 Federated Learningは、コラボレーティブモデルトレーニングのためのプライバシ保護フレームワークを提供する。 しかし、このフレームワークは伝統的に単一のグローバルコンセンサスモデルに依存しており、不均一なローカルデータ分散の実行に苦労している。 しかし、多くのパーソナライズアプローチは、事前に定義された層分割や固定されたパーソナライズ比に依存しており、クライアント固有の分散への適応を制限する。 この剛性を抑えるため,CKA(Centered Kernel Alignment)に基づく個人化・グローバル化トレードオフの動的処理戦略であるFedCKAを提案する。 具体的には、FedCKAは、トレーニング中のローカルクライアントモデルとグローバルコンセンサスモデルとのレイヤーワイド機能の類似性を計算します。 レイヤワイズ類似度スコアをクライアント固有のアグリゲーションマスクに変換することで、FedCKAは表現一貫性のある層を選択的に共有する。 nuScenesに基づく統一されたマルチドメインベンチマークの評価は、FedCKAがFedBN、FedRep、FedSelectを含む確立されたベースラインよりも優れており、最強ベースラインよりも平均NDSが7ポイント向上していることを示している。 この結果は、比較ベンチマークと、位置、天気、照明のシフトにまたがる堅牢な3D知覚のための有望な方向の両方を提供する。 コードはhttps://github.com/j-verhoog/FedCKAで入手できる。

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)
• FedVG: Gradient-Guided Aggregation for Enhanced Federated Learning [7.6428960455933925]
  フェデレートラーニング(FL)は、プライベートデータを共有せずに、複数の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。 クライアント間のデータの異質性は、モデルの全体的な一般化性能を低下させるクライアントのドリフトにつながる。 我々は,新しい勾配に基づくフェデレーションアグリゲーションフレームワークであるFedVGを提案する。
  論文  参考訳（メタデータ） (2026-02-24T22:05:42Z)
• 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)
• UnifiedFL: A Dynamic Unified Learning Framework for Equitable Federation [5.972927416266618]
  フェデレートラーニングは、生データを共有せずに複数のクライアント間で協調的なモデルトレーニングを行うための重要なパラダイムとして登場した。 We propose UnifiedFL, a dynamic federated learning framework which represent heterogeneous local network as node and edge in a directed model graph。
  論文  参考訳（メタデータ） (2025-10-30T11:01:57Z)
• 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)
• FedDC: Federated Learning with Non-IID Data via Local Drift Decoupling and Correction [48.85303253333453]
  フェデレートラーニング(FL)は、複数のクライアントがプライベートデータを共有せずに、高性能なグローバルモデルを集合的にトレーニングすることを可能にする。 局所的ドリフトデカップリングと補正(FedDC)を用いた新しいフェデレーション学習アルゴリズムを提案する。 私たちのFedDCでは、ローカルモデルパラメータとグローバルモデルパラメータのギャップを追跡するために、各クライアントが補助的なローカルドリフト変数を使用するような、ローカルトレーニングフェーズにおける軽量な修正のみを導入しています。 実験結果と解析結果から,FedDCは様々な画像分類タスクにおいて,収差の迅速化と性能の向上を図っている。
  論文  参考訳（メタデータ） (2022-03-22T14:06:26Z)
• 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)

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。