論文の概要: Fast Convergence through Distributed Augmentation for Class-Imbalanced Federated Learning

• arxiv url: http://arxiv.org/abs/2610.05279v1
• Date: Sun, 04 Oct 2026 14:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:03:33.33121
• Title: Fast Convergence through Distributed Augmentation for Class-Imbalanced Federated Learning
• Title（参考訳）: クラス不均衡型フェデレーション学習のための分散強化による高速収束
• Abstract要約: フェデレーション学習では、マイノリティクラスのパフォーマンスを改善するために、クラス不均衡を緩和することが不可欠である。 本稿では,各クライアントクラスに必要となる最小拡張度を決定する分散拡張フレームワークであるDAFLを提案する。 実験の結果,DAFLは訓練時間を大幅に短縮しつつ,一貫したマイノリティクラスF1スコアの改善を図った。
• 参考スコア（独自算出の注目度）: 1.6058099298620423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In federated learning, mitigating class imbalance is essential to improve minority-class performance. A common approach to address this problem is to augment minority-class samples to achieve local class balance. Existing approaches treat augmentation as a heuristic and do not establish how the amount of augmentation influences the convergence of federated learning, leading to excessive augmentation and increased training time. To address this limitation, we first establish the relationship between augmentation and the convergence behavior of federated learning. Leveraging this insight, we propose DAFL, a distributed augmentation framework that determines the minimum augmentation required for each client-class pair by jointly minimizing augmentation and training time while constraining global class imbalance, thereby improving minority-class F1-score. Experimental results demonstrate that DAFL consistently improves minority-class F1-score while substantially reducing training time, particularly under severe global class imbalance and high label proportion imbalance.
• Abstract（参考訳）: フェデレーション学習では、マイノリティクラスのパフォーマンスを改善するために、クラス不均衡を緩和することが不可欠である。 この問題に対処するための一般的なアプローチは、局所的なクラスバランスを達成するためにマイノリティクラスサンプルを増やすことである。 既存のアプローチは、強化をヒューリスティックとして扱い、増大の量が連邦学習の収束にどのように影響するかを定めておらず、過剰な増強と訓練時間の増加につながっている。 この制限に対処するために、我々はまず、強化と連合学習の収束行動の関係を確立する。 この知見を生かして,グローバルクラスの不均衡を抑えつつ,拡張時間とトレーニング時間を共同で最小化することにより,各クライアントクラスのペアに必要な最小化を決定する分散拡張フレームワークであるDAFLを提案する。 実験結果から,DAFLは,高度グローバルクラス不均衡と高いラベル比不均衡の下で,訓練時間を著しく短縮しつつ,少数クラスF1スコアを一貫して改善することが示された。

関連論文リスト

• Class-Grouped Normalized Momentum and Faster Hyperparameter Exploration to Tackle Class Imbalance in Federated Learning [16.216002257704826]
  クラス不均衡は、未表現のクラスが予測性能の低下に苦しむ連邦学習(FL)において重要な課題となる。 本稿では,FLにおけるクライアントサイドであるFedCGNMを提案する。 そこで本研究では,X-armed-bandit(XAB)に基づくアルゴリズムであるFedHOOを導入する。
  論文  参考訳（メタデータ） (2026-07-01T21:09:50Z)
• Leveraging Label Proportion Prior for Class-Imbalanced Semi-Supervised Learning [7.32639535694124]
  半教師付き学習(SSL)は、しばしばクラス不均衡に苦しめられ、擬似ラベルは多数派バイアスを増幅し、少数派のパフォーマンスを抑制する。 本稿では,ラベル比(LLP)からSSLへ,正規化用語としてプロポーションロスを導入する。プロポーションロスは,モデル予測をグローバルなクラス分布と整合させ,多数派と少数派の両方に偏りを緩和する。 Long-tailed CIFAR-10ベンチマークの実験では、Proportion LossをFixMatchとReMixMatchに統合することで、不均衡の度合いとラベルの比率を越えて、ベースラインよりもパフォーマンスが一貫して向上している。
  論文  参考訳（メタデータ） (2026-03-03T13:09:19Z)
• Sculpting Margin Penalty: Intra-Task Adapter Merging and Classifier Calibration for Few-Shot Class-Incremental Learning [20.574528816984955]
  フォワード互換学習はFSCIL(Few-Shot Class-Incremental Learning)にとって有望なソリューションである SMP(Sculpting Margin Penalty)は,パラメータ効率のよい微調整パラダイムにおいて,異なる段階における利幅のペナルティを戦略的に統合する新しいFSCIL法である。 そこで本研究では,SMPがFSCILの最先端性能を実現しつつ,ベースクラスと新しいクラスとのバランスを良く保っていることを示す。
  論文  参考訳（メタデータ） (2025-08-07T07:26:24Z)
• Class-wise Balancing Data Replay for Federated Class-Incremental Learning [49.179631011790065]
  FCIL(Federated Class Incremental Learning)のためのクラスワイドバランスデータ再生手法を提案する。 1)グローバル・パースペクティブ・データ・リプレイ・モジュールは,事前タスクのグローバルな表現をプライバシ保護方式で再構築し,その上で,クラス認識と重要度に敏感なサンプリング戦略を指導し,バランスの取れたリプレイを実現する。2)タスク間のクラス不均衡を処理するために,タスク対応温度スケーリングモジュールは,タスクダイナミクスに基づくクラスとインスタンスレベルのロジットの温度を適応的に調整し,多数クラスに対するモデルの過度さを低減し,マイノリティクラスへの感受性を高める。
  論文  参考訳（メタデータ） (2025-07-10T12:46:31Z)
• Relaxed Contrastive Learning for Federated Learning [48.96253206661268]
  本稿では,フェデレート学習におけるデータ不均一性の課題に対処する,新しいコントラスト学習フレームワークを提案する。 当社のフレームワークは,既存のフェデレート学習アプローチを,標準ベンチマークにおいて大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2024-01-10T04:55:24Z)
• Deep Reinforcement Learning for Multi-class Imbalanced Training [64.9100301614621]
  我々は、極めて不均衡なデータセットをトレーニングするために、強化学習に基づく不均衡な分類フレームワークを導入する。 特注報酬関数とエピソード学習手順を定式化し、特にマルチクラス不均衡トレーニングを扱えるようにした。 実世界の臨床ケーススタディを用いて,提案手法が現状の非バランス学習法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-24T13:39:59Z)
• Targeted Supervised Contrastive Learning for Long-Tailed Recognition [50.24044608432207]
  実世界のデータは、しばしば重いクラス不均衡の長い尾の分布を示す。 教師付きコントラスト学習は性能向上に寄与するが、過去のベースラインは不均衡なデータ分布によってもたらされる不均一さに悩まされている。 我々は,超球面上の特徴分布の均一性を改善するための教師付きコントラスト学習(TSC)を提案する。
  論文  参考訳（メタデータ） (2021-11-27T22:40:10Z)

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。