論文の概要: When the Cross-Silo Federation Goes Offline: Continual Learning for Site Onboarding with Limited Unlabeled Data

• arxiv url: http://arxiv.org/abs/2610.05598v1
• Date: Sun, 04 Oct 2026 23:04:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:47:16.555208
• Title: When the Cross-Silo Federation Goes Offline: Continual Learning for Site Onboarding with Limited Unlabeled Data
• Title（参考訳）: クロスサイロ連盟がオフラインに: 限定された未ラベルデータによるサイトオンボーディングの継続的な学習
• Abstract要約: 組織はしばしば、一般化するモデルをトレーニングするためにラベル付きデータをほとんど保持しません。 クロスサイロ・フェデレーション・ラーニングは、参加者がレコードではなくモデルパラメータを交換するため、パスを提供する。 本稿では, 完全結合地点でモデルを拡張する自律的な3段階手順を提案する。
• 参考スコア（独自算出の注目度）: 2.307434554700154
• License:
• Abstract: An organization often holds too little labeled data to train a model that generalizes, and the records that would supply the rest sit with organizations that cannot release them. Cross-silo federated learning offers a way through, since participants exchange model parameters rather than records, but it ordinarily settles two aspects of the arrangement in advance, the participating sites and the classes the model can predict, and deployment can breach both. A new site joins after training, once the established sites have finished their engagement and gone offline, and its records arrive unlabeled, mixing conditions the model already recognizes with conditions no participant has observed. We present an autonomous three-stage procedure that expands the model entirely at the joining site: reconstruction experts screen for novelty, clustering separates the flagged records into candidate conditions, and class means describe the old classes, all inside one shared representation. Those classes were learned from records that never leave their owners, so the usual defenses against forgetting are unavailable, and the procedure supplies the evidence they would have carried from either of two dissimilar sources, prototypes held by the federation or records held by the joining site. On a real industrial condition-monitoring dataset, run end to end with no label consulted, either source holds old-class accuracy at 0.868 or above with forgetting at most 0.063, and the two differ by 0.021, so a configuration can be chosen by the disclosure it permits rather than the accuracy it delivers. Both keep old- and new-class accuracy in balance where every alternative we measure gives up one for the other, and both retain more of the old classes than distillation- and regularization-based baselines. The balance still holds with only 6 labeled records per arriving condition and 3 retained per old class.
• Abstract（参考訳）: 組織は、一般化するモデルをトレーニングするためにラベル付きデータをほとんど保持しておらず、残りを供給しているレコードは、リリースできない組織に置かれる。 クロスサイロ・フェデレーション・ラーニングは、参加者がレコードよりもモデルパラメータを交換するので、パスを提供するが、通常、アレンジメントの2つの側面、モデルが予測できるサイトとクラスを事前に解決する。 トレーニングの後に新しいサイトが加わり、既存のサイトがエンゲージメントを終了し、オフラインになった後、そのレコードがラベル付けされていない状態に到達し、モデルがすでに認識している条件と、参加者が監視していない条件が混在する。 本稿では,新奇性のための復元専門家の画面,クラスタリングによってフラグ付きレコードを候補条件に分離し,クラスは1つの共有表現の中で,古いクラスを記述する。 これらのクラスは、所有者を決して残さない記録から学び、通常、忘れることに対する防御は不可能であり、その手続きは、2つの異なる情報源、連合が保持するプロトタイプ、または加盟サイトが保持する記録のいずれかから実行された証拠を提供する。 実際の産業条件監視データセットでは、ラベルを相談せずにエンドツーエンドで実行し、ソースは0.868以上で古いクラスの精度を保持し、少なくとも0.063以上を忘れる。 どちらも古いクラスと新しいクラスの精度をバランスよく保ち、測定したすべての選択肢がもう一方のクラスを諦め、どちらも蒸留と正規化に基づくベースラインよりも古いクラスを多く保持します。 バランスは依然として6つのラベル付きレコードと3つの古いクラスで維持されている。

関連論文リスト

• Follow the Geometry, Not the Model: Cold Start Semi-Supervised Learning [7.6344611819427035]
  VAST(Veracity-Aware Semi-Supervised Training)を提案する。 VASTは、グラフベースのSSLベースラインを3つのデータセットのすべての運用ポイントで上回る。
  論文  参考訳（メタデータ） (2026-09-13T11:46:26Z)
• Any-OPD: Heterogeneous On-Policy Distillation for Flow-Matching Models via Representation-Space Bridging [13.653084100002737]
  教師が生徒自身が生成するサンプルを補正するオンライン蒸留は、2つのモデルが同じ言語を話すことを前提にしている。 我々は、Any-OPDについて、任意対の潜流整合発生器間のオンライン蒸留のための最初のフレームワークについて述べる。
  論文  参考訳（メタデータ） (2026-08-04T08:23:57Z)
• Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
  エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。 本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
  論文  参考訳（メタデータ） (2026-05-06T10:03:06Z)
• Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery [56.172872410834664]
  一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。 メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。 本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-24T09:39:45Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。 空のクラス蒸留とロジット抑制を同時に統合する。 FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• DualMatch: Robust Semi-Supervised Learning with Dual-Level Interaction [10.775623936099173]
  従来の半教師付き学習手法は、通常、異なるデータ拡張ビューのモデル予測を単一レベルのインタラクション方法で一致させる。 本稿では,DualMatchと呼ばれる新しいSSL方式を提案する。 標準SSL設定では、SOTA法と比較して9%のエラー削減が達成されるが、より困難なクラス不均衡設定でも6%のエラー削減が達成できる。
  論文  参考訳（メタデータ） (2023-10-25T08:34:05Z)
• Little is Enough: Boosting Privacy by Sharing Only Hard Labels in Federated Semi-Supervised Learning [10.972006295280636]
  多くの重要なアプリケーションでは、機密データは本質的に分散しており、プライバシー上の懸念のために集中できない。 我々は、公的なラベル付きデータセット上で決定的な(堅い)ラベルのみを共有することにより、プライバシーを改善するフェデレーションコトレーニング(FedCT)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-09T13:16:10Z)
• Federated Zero-Shot Learning for Visual Recognition [55.65879596326147]
  本稿では,Federated Zero-Shot Learning FedZSLフレームワークを提案する。 FedZSLは、エッジデバイス上の分散データから中心的なモデルを学ぶ。 FedZSLの有効性と堅牢性は、3つのゼロショットベンチマークデータセットで実施された広範な実験によって実証された。
  論文  参考訳（メタデータ） (2022-09-05T14:49:34Z)
• SemiFed: Semi-supervised Federated Learning with Consistency and Pseudo-Labeling [14.737638416823772]
  フェデレートラーニングは、携帯電話や組織などの複数のクライアントが共同で、予測のための共有モデルを学ぶことを可能にする。 本研究では、各クライアントのデータサンプルを部分的にラベル付けするクロスサイロ・フェデレーション学習の新しいシナリオに焦点を当てる。 そこで我々は,半教師付き学習において,一貫性の正規化と擬似ラベル付けという2つの主要なアプローチを統一する,SemiFedと呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-21T01:14:27Z)

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。