論文の概要: LFHE: Local-First Heuristic Evolution for Bounded Local Topology Search in Decentralized Learning with Non-IID Data
- arxiv url: http://arxiv.org/abs/2610.08176v1
- Date: Tue, 06 Oct 2026 11:29:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.962681
- Title: LFHE: Local-First Heuristic Evolution for Bounded Local Topology Search in Decentralized Learning with Non-IID Data
- Title（参考訳）: LFHE:非IIDデータを用いた分散学習における境界局所トポロジ探索のためのローカルファーストヒューリスティック進化
- Abstract要約: Local-First Heuristic Evolution (LFHE) は、分散学習のための表現駆動型再配線フレームワークである。
LFHEは,画像,音声,テキストのベンチマークにおいて,競争力のある分散学習性能を実現する。
- 参考スコア（独自算出の注目度）: 6.470868467153127
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decentralized learning is highly sensitive to communication topology under non-IID data. Adaptive peer-selection methods can exploit local model information, but broader peer discovery may require increasingly large control state, whereas direct spectral optimization typically relies on graph-wide information. We study the intermediate setting of bounded local topology search and propose Local-First Heuristic Evolution (LFHE), a representation-driven rewiring framework whose candidate discovery and scoring use only ego-neighborhood and friend-of-a-friend (FoF) information. The structural score admits an exact interpretation through graph Dirichlet energy: its sum across clients equals twice the representation Dirichlet energy, which under standard linear consensus dynamics governs the instantaneous dissipation of representation disagreement. LFHE combines this state-dependent structural signal with early exploration and degree control, while algebraic connectivity remains an offline graph diagnostic. Under bounded sparse degree, its FoF candidate state remains local rather than expanding toward population-wide peer tracking. Across four image, speech, and text benchmarks, LFHE achieves competitive decentralized learning performance. Matched-protocol controls identify the structural term as the principal empirical topology-selection signal, while comparison with broader peer discovery exposes a trade-off between predictive performance and discovery-state locality. Together, these results motivate state-aware bounded local topology search between pairwise peer selection and globally informed topology optimization.
- Abstract（参考訳）: 分散学習は、非IIDデータの下での通信トポロジに非常に敏感である。
適応的なピア選択法は局所的なモデル情報を利用することができるが、より広いピア発見では制御状態が大きくなり、直接スペクトル最適化はグラフ全体の情報に依存する。
本研究では,局所的局所的トポロジ探索の中間設定について検討し,ego-ighborhood とFriend-of-a-Friend (FoF) の情報のみを用いた表現駆動型リウィリングフレームワークであるローカルファーストヒューリスティック・エボリューション(LFHE)を提案する。
グラフ上の総和はディリクレエネルギーの2倍の表現で、標準的な線形コンセンサス力学の下では、表現の不一致の即時散逸が支配される。
LFHEはこの状態依存構造信号と早期探索と次数制御を組み合わせる一方、代数接続はオフライングラフ診断のままである。
区分けされた疎外度の下では、FoF候補状態は人口全体のピアトラッキングに拡大するよりも、局所的に留まっている。
4つの画像、音声、テキストのベンチマークでLFHEは、競争力のある分散学習性能を達成する。
マッチングプロトコール制御は、構造項を主要な経験的トポロジ-選択信号として識別する一方、より広いピア発見との比較は、予測性能と発見状態の局所性の間のトレードオフを露呈する。
これらの結果は、ペアワイズピア選択とグローバルインフォメーショントポロジ最適化の間の状態認識型局所トポロジ探索を動機付けている。
関連論文リスト
- Sheaf-Based Federated Representation Learning [11.430396441085579]
SFRL(Sheaf-based Federated Representation Learning)
我々は、局所モデルの勾配更新とエッジワイド制約マップの閉形式Procrustes更新を交互に行う、SFRL(Sheaf-FRL)と呼ばれる分散アルゴリズムを開発した。
応用として,セマンティックコミュニケーションの文脈における協調的な分類課題を考える。
論文 参考訳（メタデータ） (2026-08-08T16:38:34Z) - Topology-Aware Neighborhood Learning for Source-Free Cross-Scene Hyperspectral Image Classification [11.354716471312239]
ドメイン適応は、複雑なシナリオにおける識別能力を大幅に向上させる、高度なクロスシーンハイパースペクトル画像分類を持つ。
従来のドメイン適応手法は非現実的になり、現実的なリモートセンシングのシナリオにおいてその実用性を著しく制限する。
ソースデータなしで、堅牢で正確な分類を実現するために、トポロジ対応のソースフリー学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-06T12:40:06Z) - Topo-R1: Detecting Topological Anomalies via Vision-Language Models [42.86510112477789]
トポロジカルな正確性は、血管、神経線維、道路網などの構造にとって重要である。
我々は,様々なトポロジ的異常を検証可能なアノテーションで合成する自動データキュレーションパイプラインを開発した。
次に、トポロジを意識した視覚言語モデルを実現するフレームワークであるTopo-R1を紹介する。
論文 参考訳（メタデータ） (2026-03-13T15:05:04Z) - DFed-SST: Building Semantic- and Structure-aware Topologies for Decentralized Federated Graph Learning [5.072144098417946]
Decentralized Federated Learning (DFL)は、堅牢な分散パラダイムとして登場した。
本稿では,適応通信を用いた分散グラフ学習フレームワークDFed-SSTを提案する。
8つの実世界のデータセットの実験は、DFed-SSTの優位性を一貫して示し、ベースライン法よりも平均精度が3.26%向上した。
論文 参考訳（メタデータ） (2025-08-15T15:15:54Z) - Federated Graph Semantic and Structural Learning [54.97668931176513]
本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。
構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。
我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
論文 参考訳（メタデータ） (2024-06-27T07:08:28Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - Position-aware Structure Learning for Graph Topology-imbalance by
Relieving Under-reaching and Over-squashing [67.83086131278904]
トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。
PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。
私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
論文 参考訳（メタデータ） (2022-08-17T14:04:21Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-06-06T05:12:48Z) - Decentralized Event-Triggered Federated Learning with Heterogeneous
Communication Thresholds [12.513477328344255]
ネットワークグラフトポロジ上での非同期なイベントトリガーによるコンセンサス反復による分散モデルアグリゲーションのための新しい手法を提案する。
本手法は,分散学習とグラフコンセンサス文学における標準的な仮定の下で,グローバルな最適学習モデルを実現することを実証する。
論文 参考訳（メタデータ） (2022-04-07T20:35:37Z) - An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot
Learning [77.72330187258498]
エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。
ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。
グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
論文 参考訳（メタデータ） (2021-11-03T11:13:13Z)
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。