論文の概要: FedPCD: Priority-Constrained Federated Aggregation

• arxiv url: http://arxiv.org/abs/2610.13508v1
• Date: Fri, 09 Oct 2026 12:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.578489
• Title: FedPCD: Priority-Constrained Federated Aggregation
• Title（参考訳）: FedPCD: 優先順位に制約のあるフェデレーション・アグリゲーション
• Abstract要約: フェデレートラーニング(FL)は、分散クライアントデータから共有グローバルモデルを最適化することを目指している。 我々は,クライアント保護からグローバルな最適化目標を分離する優先度制約付きフェデレーション最適化フレームワークであるFedPCDを提案する。
• 参考スコア（独自算出の注目度）: 0.6117371161379209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) seeks to optimize a shared global model from decentralized client data. While effective for average performance, this process can produce unfair performance across clients, particularly under statistically heterogeneous data distributions. Existing fairness-aware and multi-objective FL methods address this through client re-weighting, gradient correction, or common-descent formulations, but often change the global optimization direction or treat client objectives symmetrically. We propose FedPCD, a priority-constrained federated optimization framework that separates the global optimization objective from client protection. FedPCD preserves the conventional federated aggregate as the primary objective, while allowing only the minimum correction necessary to meet client performance constraints. Across heterogeneous FL benchmarks, FedPCD consistently outperforms state-of-the-art baselines, achieving the highest global accuracy across all configurations and leading worst-10% client accuracy in nearly all. FedPCD further preserves competitive trade-offs between global accuracy and client performance variability. Beyond this trade-off, FedPCD demonstrates faster empirical convergence, reaching matching or superior performance in substantially fewer communication rounds.
• Abstract（参考訳）: フェデレートラーニング(FL)は、分散クライアントデータから共有グローバルモデルを最適化することを目指している。 このプロセスは平均的なパフォーマンスに有効であるが、特に統計的に不均一なデータ分布下では、クライアント間で不公平なパフォーマンスを生み出すことができる。 既存のフェアネスを意識した多目的FL法は、クライアントの再重み付け、勾配補正、あるいは共通輝きの定式化を通じてこの問題に対処するが、大域最適化の方向を変更したり、クライアントの目的を対称的に扱うことも多い。 我々は,クライアント保護からグローバルな最適化目標を分離する優先度制約付きフェデレーション最適化フレームワークであるFedPCDを提案する。 FedPCDは、クライアントのパフォーマンス制約を満たすのに必要な最小限の修正のみを許容しながら、従来の連合集約を主目的として保存する。 不均一なFLベンチマーク全体において、FedPCDは一貫して最先端のベースラインを上回り、すべての構成で最高のグローバルな精度を達成し、ほぼすべてにおいて最悪のクライアントの精度を導いた。 FedPCDはさらに、グローバルな精度とクライアントのパフォーマンスのばらつきの間の競合的なトレードオフを保っている。 このトレードオフの他に、FedPCDはより高速な経験的収束を示し、通信ラウンドが大幅に少ない場合に、マッチングや優れたパフォーマンスに達する。

関連論文リスト

• FedPDPO: Federated Personalized Direct Preference Optimization for Large Language Model Alignment [55.97027207627]
  Fed PDPO(Federated Personalized Direct Preference Optimization)は、大規模言語モデル(LLM)の優先順位調整のためのパーソナライズされたフレームワークである。 パラメータ効率の良い微調整アーキテクチャを採用し、各クライアントはLow-Rank Adaptation (LoRA)アダプタで拡張された凍結したLLMバックボーンを維持し、通信効率のよいアグリゲーションを可能にする。 複数の嗜好データセットの実験では、最先端のパフォーマンスを示し、フェデレーション付きドメイン内およびクロスドメイン設定の平均精度が4.80%向上した。
  論文  参考訳（メタデータ） (2026-03-20T08:24:49Z)
• FedVG: Gradient-Guided Aggregation for Enhanced Federated Learning [7.6428960455933925]
  フェデレートラーニング(FL)は、プライベートデータを共有せずに、複数のクライアント間で協調的なモデルトレーニングを可能にする。 クライアント間のデータの異質性は、モデルの全体的な一般化性能を低下させるクライアントのドリフトにつながる。 我々は,新しい勾配に基づくフェデレーションアグリゲーションフレームワークであるFedVGを提案する。
  論文  参考訳（メタデータ） (2026-02-24T22:05:42Z)
• FedZMG: Efficient Client-Side Optimization in Federated Learning [0.19116784879310023]
  Federated Zero Mean Gradients (FedZMG) はパラメータフリーのクライアントサイド最適化アルゴリズムである。 FedZMGは局所勾配をゼロ平均超平面に投影し、不均一なデータ分布に固有の「強度」あるいは「バイアス」シフトを効果的に中和する。
  論文  参考訳（メタデータ） (2026-02-20T17:45:28Z)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Dynamic Regularized Sharpness Aware Minimization in Federated Learning: Approaching Global Consistency and Smooth Landscape [59.841889495864386]
  フェデレートラーニング(FL)では、グローバルサーバの協調の下で、ローカルクライアントのクラスタがチェアリングされる。 クライアントは自身のオプティマに過度に適合する傾向にあり、グローバルな目標から非常に逸脱する。 tt Family FedSMOOは、グローバルな目的に対する局所的な最適性を保証するために動的正規化器を採用する。 理論解析により, tt Family FedSMOO は, 低境界一般化による高速$mathcalO (1/T)$収束率を達成することが示された。
  論文  参考訳（メタデータ） (2023-05-19T10:47:44Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)

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。