論文の概要: Machine Unlearning for Federated Socially Fair k-Means Clustering

• arxiv url: http://arxiv.org/abs/2610.13717v1
• Date: Fri, 09 Oct 2026 15:16:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.651113
• Title: Machine Unlearning for Federated Socially Fair k-Means Clustering
• Title（参考訳）: 社会的に公正なk-平均クラスタリングのための機械学習
• Abstract要約: フェデレートされたクラスタリングは、病院間の患者層化や、分散財務データセット間の顧客セグメンテーションといったアプリケーションをサポートすることができる。 我々は社会的に公正な$k$-meansの正確な機械学習を研究する。
• 参考スコア（独自算出の注目度）: 3.175549070317525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated clustering can support applications such as patient stratification across hospitals and customer segmentation across distributed financial datasets. Responsible AI calls for fair representation of demographic groups and support for data deletion, motivated in part by rights such as the GDPR's right to erasure. These goals interact: deleting records can change the balance between groups and alter the clustering of the remaining population. We study exact machine unlearning for federated socially fair $k$-means, whose objective is to minimize the largest group-average squared distance to the nearest center. Our approach keeps separate local summaries for each group, so summaries at unaffected institutions remain valid as global fairness weights change. For two groups, we prove an initialization approximation guarantee independent of client group proportions under ideal sampling, and we show that same-seed replay reproduces retraining exactly. Reuse pays off most when a whole client withdraws: across three datasets, replay is $35.8\times$ faster than retraining for the initialization-only model and remains $2.4\times$ and $1.7\times$ faster with one and two fair-refinement rounds, which improve worst-group cost. For individual record deletions, gains are modest (about $1.06\times$), and certifying cached assignments can cost more than it saves. These results map where exact unlearning can profitably reuse computation. Code and reproducibility materials are available at https://github.com/arareddy/mufsc.
• Abstract（参考訳）: フェデレートされたクラスタリングは、病院間の患者層化や、分散財務データセット間の顧客セグメンテーションといったアプリケーションをサポートすることができる。 責任あるAIは、GDPRの消去権のような権利によって部分的に動機づけられた、人口集団の公正な表現とデータ削除のサポートを要求する。 レコードを削除することで、グループ間のバランスが変化し、残りの集団のクラスタリングが変化します。 本研究の目的は,最大グループ平均2乗距離を最寄りの中心まで最小化することである。 当社のアプローチでは,各グループごとに局所的な要約が分離されているため,グローバルフェアネスの重みが変化しても,影響を受けない機関での要約は有効である。 2つのグループに対して、理想的なサンプリングの下でクライアントグループの比率に依存しない初期化近似を証明し、同種リプレイが正確にリトレーニングされることを示す。 3つのデータセットをまたいで、リプレイは初期化のみのモデルの再トレーニングよりも35.8\times$で、2.4\times$と1.7\times$で、1つのフェアリファインメントラウンドと2つのフェアリファインメントラウンドにより、最悪のグループコストが向上する。 個々のレコード削除の場合、ゲインは控えめである(約1.06\times$)。 これらの結果は、正確な未学習が計算をうまく再利用できる場所をマップする。 コードと再現性に関する資料はhttps://github.com/arareddy/mufsc.comで公開されている。

関連論文リスト

• RIPPLE in Still Water: Zero-Shot Clustering in Federated Learning with Wavelet Scattering Transform [51.56484100374058]
  クラスタ化されたフェデレートラーニング(FL)は、クライアントを同じローカル分布のグループに分割し、クラスタ毎に1つの特別なモデルを訓練する。 本稿では、各クライアントのローカルデータのスペクトル特性からクラスタ割り当てを完全にオフラインで計算するクラスタリングFLフレームワークであるRIPPLEを提案する。
  論文  参考訳（メタデータ） (2026-10-02T09:35:39Z)
• Rethinking Personalized Reward Modeling for LLMs under Preference Heterogeneity via Group-Debiased Federated Learning [31.693764625836305]
  我々は、フェデレーショントレーニング中に潜伏する嗜好グループを発見し、グループデバイアスされたクライアントサンプリングを用いて単一の報酬モデルを学ぶFedGD(Federated Learning with Group Debiasing)を提案する。
  論文  参考訳（メタデータ） (2026-08-03T00:25:52Z)
• Exact Federated Continual Unlearning for Ridge Heads on Frozen Foundation Models [9.98952145483793]
  ファンデーションモデルは一般的に、フェデレートされた設定でプライベートなユーザ生成データに適応するために、小さな訓練可能なヘッドを持つフリーズ機能抽出器としてデプロイされる。 我々は,この問題を,リッジ-レグレッションヘッドを用いた凍結基礎モデルとして,実用的には関係があるが未探索の状態で研究する。
  論文  参考訳（メタデータ） (2026-03-13T13:24:35Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Fair Federated Data Clustering through Personalization: Bridging the Gap between Diverse Data Distributions [2.7905216619150344]
  フェデレーションクラスタリングにおけるパーソナライズの概念を導入し、より低いクラスタリングコストとクライアント間の均一なコストのバランスを達成することを目的とする。 サーバとクライアント間の1ラウンドの通信でこれらの目標に対処するp-FClusを提案する。
  論文  参考訳（メタデータ） (2024-07-05T07:10:26Z)
• Anchor Sampling for Federated Learning with Partial Client Participation [17.8094483221845]
  本稿では,フェデラルクライアント参加のためのフェデラルラーニング(Federated Learning,FedAMD)を提案する。 中心となるアイデアはアンカーサンプリングであり、部分的な参加者をアンカーグループとマイナーグループに分離する。 2つのグループの結果を統合することで、FedAMDはトレーニングプロセスを加速し、モデルのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2022-06-13T03:08:39Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Federated Unsupervised Representation Learning [56.715917111878106]
  フェデレート非教師表現学習(FURL)と呼ばれるフェデレーション学習における新しい問題を定式化し、教師なしの共通表現モデルを学習する。 FedCAは2つの主要なモジュールで構成されている: 辞書モジュールは、各クライアントからのサンプルの表現を集約し、表現空間の整合性のためにすべてのクライアントと共有し、アライメントモジュールは、公開データに基づいてトレーニングされたベースモデル上で各クライアントの表現を整合させる。
  論文  参考訳（メタデータ） (2020-10-18T13:28:30Z)

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。