論文の概要: Understanding Trajectory Heterogeneity in Federated World Model Learning
- arxiv url: http://arxiv.org/abs/2610.02957v1
- Date: Fri, 02 Oct 2026 07:55:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.271796
- Title: Understanding Trajectory Heterogeneity in Federated World Model Learning
- Title（参考訳）: フェデレーション世界モデル学習における軌道不均一性の理解
- Abstract要約: フェデレーション学習は分散レコードを使用することができ、トラジェクトリ内のオーナシップ境界は、各クライアントが構築できる例を制限する。
本研究は,8つのMIMIC-IV病コホートに対する時間的行動条件による臨床予測を通じて,このクロスタイム設定をベンチマークした。
- 参考スコア（独自算出の注目度）: 16.850477773044773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: World models learn state evolution from trajectories, making access to temporal context a central training requirement. Federated learning can use distributed records, while ownership boundaries within a trajectory restrict the examples each client can construct. Our study benchmarks this cross-time setting through hourly action-conditioned clinical prediction on eight MIMIC-IV disease cohorts, comprising 40.87 million transition memberships. We specify severity-based client ownership, patient-separated construction, local history and future-window rules, and paired rollout evaluation from one to 32 hours. A matrix of ten federated algorithms covers 32 disease--partition configurations under five rounds of ten-percent participation. Three findings emerge from existing results and training logs. First, client ownership and participation jointly restrict long-window coverage: only 7.55\%--21.36\% of pooled-available 32-step windows have a locally complete anchor visited during training, averaged across diseases. Second, finer severity partitions accompany higher FedAvg error in 15 of 16 paired comparisons, while algorithm gains are small and horizon-dependent: FedProx reduces mean error by 0.56\%, with no consistent improvement at 32 steps. Third, algorithm labels conceal distinct update behavior, including inactive extrapolation and orders-of-magnitude differences in update scale. Cached-update performance also varies strongly across trajectory partitions under the same benchmark protocol. These results establish temporal access, participation coverage, optimization behavior, and horizon-resolved prediction as complementary dimensions for evaluating federated clinical world models.
- Abstract（参考訳）: 世界モデルは、軌跡から状態進化を学び、時間的コンテキストへのアクセスを中心的なトレーニング要件とする。
フェデレーション学習は分散レコードを使用することができ、トラジェクトリ内のオーナシップ境界は、各クライアントが構築できる例を制限する。
本研究は,MIMIC-IVの8つの疾患コホートに対して,時間的行動条件による臨床予測を経時的に実施し,4087万の移行メンバーからなるクロスタイム設定をベンチマークした。
重症度に基づくクライアントのオーナシップ,患者分離された構成,ローカル履歴,将来のウィンドウルール,ロールアウト評価を1時間から32時間に分けて実施する。
10のフェデレーションアルゴリズムの行列は、32の病状構成を10パーセントの参加で5ラウンドでカバーしている。
既存の結果とトレーニングログから3つの結果が得られた。
まず、クライアントの所有と参加は、長期のカバー範囲を共同で制限する: プールされた32ステップの窓のわずか7.55\%--21.36\%は、訓練中に局所的に完全なアンカーが訪れ、病気全体にわたって平均されている。
次に、FedProxは平均誤差を0.56\%削減し、32ステップで一貫した改善は行わない。
第3に、アルゴリズムラベルは、不活性な外挿や更新スケールのオーダー・オブ・マグニチュードの違いなど、異なる更新動作を隠蔽する。
キャッシュ更新のパフォーマンスも、同じベンチマークプロトコルの下でのトラジェクトリパーティションによって大きく異なる。
これらの結果は, 統合臨床世界モデルを評価するための相補的次元として, 時間的アクセス, 参加範囲, 最適化行動, 地平線分解予測を確立する。
関連論文リスト
- RIPPLE in Still Water: Zero-Shot Clustering in Federated Learning with Wavelet Scattering Transform [51.56484100374058]
クラスタ化されたフェデレートラーニング(FL)は、クライアントを同じローカル分布のグループに分割し、クラスタ毎に1つの特別なモデルを訓練する。
本稿では、各クライアントのローカルデータのスペクトル特性からクラスタ割り当てを完全にオフラインで計算するクラスタリングFLフレームワークであるRIPPLEを提案する。
論文 参考訳（メタデータ） (2026-10-02T09:35:39Z) - GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文 参考訳（メタデータ） (2026-09-30T12:20:51Z) - When Post-Processing Fairness Constraints Help and When They Harm: Evidence from Eight Cross-Domain Evaluations [0.0]
FAPE(Fairness Auditing for Production Environments)は、8つのドメイン評価にまたがる単一の後処理の介入を評価するフレームワークである。
介入効果はベースラインの格差の大きさを追跡する。
CUSUMモニターはデプロイ時に開始され、シミュレートされたシフトでテストされた。
論文 参考訳（メタデータ） (2026-09-22T18:46:00Z) - Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。
SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文 参考訳（メタデータ） (2026-09-16T15:34:21Z) - On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。
そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。
SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
論文 参考訳（メタデータ） (2026-08-25T14:55:24Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。
実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。
EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
論文 参考訳（メタデータ） (2026-06-09T17:57:16Z) - Bit-Identical Medical Deep Learning via Structured Orthogonal Initialization [0.0]
深層学習トレーニングは非決定論的であり、異なるランダムなシードを持つ同一のコードは、集約メトリクスに異を唱えるが個々の予測に異を唱えるモデルを生成する。
ランダム性の3つの源を除去する検証ビット識別訓練の枠組みを提案する。
論文 参考訳（メタデータ） (2026-03-30T05:04:57Z) - IMOVNO+: A Regional Partitioning and Meta-Heuristic Ensemble Framework for Imbalanced Multi-Class Learning [5.693705818399956]
クラス不均衡、重複、ノイズによりデータ品質が低下し、モデルの信頼性が低下し、一般化が制限される。
本稿では,データ品質とアルゴリズム的ロバスト性を向上させるためのフレームワークであるIMOVNO+を提案する。
その結果、最先端手法よりも一貫した優位性を示し、いくつかのケースでは100%に近づいた。
論文 参考訳（メタデータ） (2026-02-22T08:13:51Z) - Temporal Zoom Networks: Distance Regression and Continuous Depth for Efficient Action Localization [6.908972852063454]
時間的行動の局所化は、正確な境界検出と計算効率の両方を必要とする。
我々は、境界距離回帰(BDR)と適応時間制限(ATR)という2つの補完的なイノベーションを通じてこの問題に対処する。
THUMOS14では、ActionFormer++ (55.7% mAP@0.7 at 235G) よりも36%少ないFLOPを用いて、151GのFLOPで56.5% mAP@0.7を達成する。
論文 参考訳（メタデータ） (2025-11-06T00:41:54Z)
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。