論文の概要: FedSAP: Federated Learning with Structured Adaptive Partitioning for Multi-Domain Heterogeneous Edge Devices

• arxiv url: http://arxiv.org/abs/2610.01638v1
• Date: Thu, 01 Oct 2026 13:05:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.142663
• Title: FedSAP: Federated Learning with Structured Adaptive Partitioning for Multi-Domain Heterogeneous Edge Devices
• Title（参考訳）: FedSAP:マルチドメイン異種エッジデバイスのための構造化適応分割によるフェデレーション学習
• Abstract要約: 不均一エッジデバイス上でのフェデレーション学習は、不平等なリソース予算とドメインシフトしたローカルデータに対応する必要がある。 我々は、予算制約のある三状態チャネルアロケーションとして構造化プルーニングをキャストするドメイン対応不均一FLフレームワークであるFedSAPを提案する。
• 参考スコア（独自算出の注目度）: 4.970855573335493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) on heterogeneous edge devices must jointly accommodate unequal resource budgets and domain-shifted local data. Existing resource-adaptive methods decide how much of a model each client trains but not where retained capacity should reside or how it should be shared, whereas federated domain-generalization methods usually assume a shared full architecture. Uniform compression can therefore discard high-utility channels, and a single aggregation path can mix transferable features with domain-sensitive updates. We propose FedSAP, a domain-aware heterogeneous FL framework that casts structured pruning as budget-constrained tri-state channel allocation. FedSAP converts each keep ratio into non-uniform layer budgets, assigns stable channels to a Global pool, useful domain-sensitive channels to pseudo-domain-specific Private pools, and low-utility channels to a Dropped state. This partition lets broadly useful features benefit from cross-client pooling while isolating domain-sensitive updates from incompatible clients. Domain-Guided Assignment infers pseudo-domains from shallow-gradient similarity, while Type-Matched Aggregation restricts each channel to its intended sharing scope. Across three random seeds, FedSAP reaches 76.00% and 72.67% mean global accuracy on Digits and Office-Caltech, exceeding the strongest baseline by 1.70 and 4.92 percentage points while supporting client pruning ratios of up to 80% across heterogeneous clients.
• Abstract（参考訳）: 不均一エッジデバイス上でのフェデレーション学習(FL)は、不平等なリソース予算とドメインシフトしたローカルデータに共同で対応する必要がある。 既存のリソース適応型メソッドは、各クライアントがどれだけのモデルを訓練するが、キャパシティがどこにあるか、どのように共有するかは決定するが、フェデレーションされたドメイン一般化メソッドは、一般的に共有フルアーキテクチャを前提とします。 したがって、一様圧縮は高ユーティリティチャネルを捨てることができ、単一の集約パスは転送可能な機能とドメインに敏感な更新を混合することができる。 我々は、予算制約のある三状態チャネルアロケーションとして構造化プルーニングをキャストするドメイン対応不均一FLフレームワークであるFedSAPを提案する。 FedSAPは、各 keep 比を非一様層予算に変換し、安定したチャネルを Global プールに割り当て、有用なドメイン依存チャネルを pseudo- domain-specific Private プールに割り当て、低ユーティリティチャネルを Dropped ステートに割り当てる。 このパーティションは、互換性のないクライアントからドメインに敏感なアップデートを分離しながら、クロスクライアントプールのメリットを広く活用する。 ドメインガイドアサインメントは、浅い段階的な類似性から擬似ドメインを推論する一方、Type-Matched Aggregationは、各チャネルを意図した共有範囲に制限する。 3つのランダムな種の中で、FedSAPは76.00%、72.67%に達し、ディジットとオフィス・カルテクの世界的な精度は1.70ポイントと4.92ポイントを超え、クライアントのプルーニング比率は異種クライアントで最大80%である。

関連論文リスト

• CRIP: Channel Level Representation Injection for Personalized One-Shot Federated Learning [10.225304989678202]
  ワンショットフェデレーション学習(OSFL)は、1ラウンドのコミュニケーションだけで、有望なコラボレーティブモデル学習フレームワークとして登場した。 チャネルレベルの特徴アライメントを通じて表現空間で動作するパーソナライズされたOSFLフレームワークであるCRIPを提案する。
  論文  参考訳（メタデータ） (2026-08-03T13:41:07Z)
• DeFed-GMM-DaDiL: A Decentralized Federated Framework for Domain Adaptation [7.916373508978821]
  DeFed-GMM-DaDiLは、GMM-Dataset Dictionary Learning (DaDiL)フレームワークの拡張である。 各クライアントはデータセットをガウス混合モデル(GMM)としてモデル化する。 対象ドメインがクラスを欠いているシナリオにおいて、学習した表現の安定性を実証的に研究する。
  論文  参考訳（メタデータ） (2026-05-05T22:00:35Z)
• Granular Ball Guided Stable Latent Domain Discovery for Domain-General Crowd Counting [19.18297173252027]
  そこで本研究では,一般群集カウントのためのグラニュラーボールガイド型安定潜時ドメイン探索フレームワークを提案する。 提案手法はまず, サンプルをコンパクトな局所粒状球体に分類し, 擬似ドメインを推論する代表として粒状球体をクラスタ化する。 検出された潜在ドメインの上に,伝達可能な意味表現を改善する2分岐学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-03-25T09:12:35Z)
• Domain-Skewed Federated Learning with Feature Decoupling and Calibration [35.05951359908686]
  フェデレートラーニング(FL)は、分散クライアントがプライバシー保護の方法でグローバルモデルを協調的にトレーニングすることを可能にする。 ドメインスキュー(Domain skew)は、多様なドメインから派生したクライアントのデータが、一貫した表現空間を学習することから集約されたグローバルモデルを妨げる可能性がある。 我々は、ドメイン固有のバイアスのある特徴を校正することで、貴重なクラス関連情報を解放するFederated Feature Decoupling andrimi(F2$DC)を提案する。
  論文  参考訳（メタデータ） (2026-03-15T06:20:22Z)
• FedAlign: Federated Domain Generalization with Cross-Client Feature Alignment [2.4472081831862655]
  Federated Learning (FL)は、直接的なデータ共有なしに協調的なモデルトレーニングのための分散パラダイムを提供する。 ドメイン一般化(DG)には、厳密なプライバシー制約、非i.d.ローカルデータ、ドメインの多様性の制限など、ユニークな課題がある。 我々はフェデレーション設定におけるDGを強化するために設計された軽量なプライバシ保護フレームワークであるFedAlignを紹介する。
  論文  参考訳（メタデータ） (2025-01-26T11:17:32Z)
• Enhancing Federated Domain Adaptation with Multi-Domain Prototype-Based Federated Fine-Tuning [15.640664498531274]
  フェデレーション・ドメイン適応(Federated Domain Adaptation, FDA)は、フェデレーション・ラーニング(FL)シナリオである。 我々はtextbfMulti- domain textbfPrototype-based textbfFederated Fine-textbfTuning (MPFT) と呼ばれる新しいフレームワークを提案する。 MPFTファインチューン(英: MPFT fine-tunes)は、マルチドメインのプロトタイプ、すなわち、カテゴリ固有のローカルデータから、ドメイン固有の情報に富んだ事前訓練された表現を用いた事前訓練されたモデルである。
  論文  参考訳（メタデータ） (2024-10-10T09:15:56Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
  生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。 計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T11:09:29Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)
• Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
  ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。 相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。 提案手法は, 比較手法より優れ, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-29T04:31:43Z)

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。