論文の概要: BLEND: Balancing Personalization vs. Generalization in Federated Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.12907v1
• Date: Fri, 09 Oct 2026 02:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.361937
• Title: BLEND: Balancing Personalization vs. Generalization in Federated Vision-Language Models
• Title（参考訳）: BLEND:Federated Vision-Language Modelにおけるパーソナライゼーションと一般化のバランス
• Abstract要約: フェデレーションビジョン言語モデル(FedVLMs)は、機械学習の新たなフロンティアの1つである。 BLENDは,FedVLMのパーソナライゼーションと一般化能力を両立させる新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 20.359874977284203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated vision-language models (FedVLMs) represent one of the emerging frontiers of machine learning, aiming to integrate federated learning within the fine-tuning pipelines of vision-language models (VLMs). In this work, we introduce BLEND, a new framework designed to jointly enhance the personalization and generalization capabilities of FedVLMs. BLEND proposes a selective VLM parameter fine-tuning and aggregation strategy that consists of (i) global vision and text adapters shared across clients, and (ii) a personalized vision projection adapter tailored to each client. BLEND further introduces a novel loss function that blends the outputs of the global and personalized adapters to achieve personalization, while simultaneously promoting generalization through a principled anchor design implemented via the projection heads of the zero-shot VLM. Extensive experiments demonstrate that BLEND consistently outperforms state-of-the-art baselines, highlighting its ability to effectively balance personalization and generalization across diverse system settings. (Code is available at: https://github.com/payamsiabd/BLEND.git)
• Abstract（参考訳）: フェデレートされたビジョン言語モデル(FedVLMs)は、ビジョン言語モデルの微調整パイプライン(VLMs)にフェデレーションされた学習を統合することを目的として、機械学習の新たなフロンティアの1つである。 本稿では,FedVLMのパーソナライゼーションと一般化能力の強化を目的とした新しいフレームワークBLENDを紹介する。 BLENDは、選択的なVLMパラメータの微調整と集約戦略を提案する。 (i)クライアント間で共有されるグローバルビジョンとテキストアダプタ (ii)各クライアント用にカスタマイズされたパーソナライズされたビジョンプロジェクションアダプタ。 BLENDはさらに、グローバルおよびパーソナライズされたアダプタの出力をブレンドしてパーソナライズを実現し、同時にゼロショットVLMのプロジェクションヘッドを介して実装された原則付きアンカー設計により一般化を促進する新しい損失関数を導入した。 広範囲にわたる実験により、BLENDは最先端のベースラインを一貫して上回り、多様なシステム設定でパーソナライズと一般化を効果的にバランスさせる能力を強調している。 (コードについては、https://github.com/payamsiabd/BLEND.gitを参照)。

関連論文リスト

• Representation-Aligned Multi-Scale Personalization for Federated Learning [24.809441061502095]
  本稿では、パーソナライズされたリソース適応型フェデレーション学習のための統合フレームワークFRAMPを提案する。 FRAMPは固定されたグローバルモデルに頼る代わりに、コンパクトなクライアント記述子からクライアント固有のモデルを生成する。 ビジョンとグラフベンチマークの実験では、FRAMPが広範囲のクライアント設定における一般化と適応性を高めることが示されている。
  論文  参考訳（メタデータ） (2026-04-13T10:38:21Z)
• Personalized Vision via Visual In-Context Learning [62.85784251383279]
  パーソナライズされた視覚のためのビジュアル・イン・コンテキスト・ラーニング・フレームワークを提案する。 PICOは基盤となる変換を推測し、再トレーニングせずに新しい入力に適用する。 また,効率的な推論スケーリングによる信頼性向上を目的とした注意誘導型シードスコアラを提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:58:45Z)
• pFedMMA: Personalized Federated Fine-Tuning with Multi-Modal Adapter for Vision-Language Models [12.270878920401948]
  pFedMMAは、視覚言語タスクにマルチモーダルアダプタを活用する最初のパーソナライズされた学習フレームワークである。 pFedMMAはパーソナライゼーションと一般化の間の最先端のトレードオフを実現し、近年のフェデレーション・プロンプト・チューニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-07T18:26:34Z)
• Beyond Sole Strength: Customized Ensembles for Generalized Vision-Language Models [55.5610165938949]
  ファインチューニング型視覚言語モデル (VLM) はその実用的価値から人気が高まっている。 本稿では、より弱いVLMを活用してロバストな単一モデルの一般化を促進するための協調可能性について検討する。 それぞれが特定のシナリオに合わせてカスタマイズされた3つのアンサンブル戦略を導入する。 提案したアンサンブル戦略はゼロショット,ベース・ツー・ニュー,クロスデータセットの一般化に基づいて評価され,新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-11-28T05:17:25Z)
• Unlocking the Potential of Prompt-Tuning in Bridging Generalized and Personalized Federated Learning [49.72857433721424]
  Vision Transformer (ViT) と Visual Prompt Tuning (VPT) は、様々なコンピュータビジョンタスクの効率を改善して最先端のパフォーマンスを実現する。 本稿では,GFL(Generalized FL)とPFL(Personalized FL)を組み合わせた新しいアルゴリズムSGPTを提案する。
  論文  参考訳（メタデータ） (2023-10-27T17:22:09Z)

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。