論文の概要: Federated Coreset Subsampling for Distributed Memory Banks

• arxiv url: http://arxiv.org/abs/2610.16425v1
• Date: Mon, 12 Oct 2026 08:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 23:20:21.860385
• Title: Federated Coreset Subsampling for Distributed Memory Banks
• Title（参考訳）: 分散メモリバンクのためのフェデレーションコアセットサブサンプリング
• Abstract要約: 現実のシナリオでは、産業プロセスは複数の工場にまたがることができ、商品は複数の場所で生産されることが多い。 そこで本研究では,既存のコアセット(二重サブサンプリング)と,新たなコアセット(二重サブサンプリング)を分散異常検出設定で組み合わせた2つのフェデレーションアプローチを提案する。 特に、メモリバンクベースのPatchCoreアルゴリズムをフェデレーション設定に適応することにより、コールドスタート性能の向上、ドメインおよびセンサシフトへのレジリエンス、信頼性の低いアクタ参加に対するレジリエンス、古典的ネットワークにおける一般的な問題である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world scenarios, industrial processes can span multiple factories and goods are often produced at multiple sites, leading to a shared yet non-identical distribution of data across locations. To address this, we propose two federated approaches for i) combining existing coresets (Double Subsampling) and ii) creating new coresets (Federated Subsampling) in a distributed anomaly detection setting. In particular, we adapt the memory bank based PatchCore algorithm to a federated setting, resulting in increased cold-start performance, resilience to domain- and sensor-shift, and resilience to unreliable actor participation, a common problem in classical, network based federated learning strategies.
• Abstract（参考訳）: 現実のシナリオでは、産業プロセスは複数の工場にまたがることができ、商品は複数の場所で生産されることが多い。 これを解決するために、我々は2つの連携したアプローチを提案する。 一 既存のコアセット(二重サブサンプリング)との組み合わせ 二 分散異常検出設定で新しいコアセット(フェデレートサブサンプリング)を作成すること。 特に、メモリバンクベースのPatchCoreアルゴリズムをフェデレートした設定に適応することにより、コールドスタート性能の向上、ドメインシフトやセンサシフトに対するレジリエンス、信頼性の低いアクタ参加に対するレジリエンスなど、従来のネットワークベースのフェデレーション学習戦略における一般的な問題である。

関連論文リスト

• CAST: Collapse-Aware multi-Scale Topology Fusion for Multimodal Coreset Selection [8.275673045109079]
  マルチモーダルコアセット選択のためのCollapse-Aware Multi-Scale Topology fusion frameworkを提案する。 まず、画像とテキストのモダリティのトポロジを構築し、局所的なコラプス認識とクロスモーダル融合による統一トポロジを導出する。 次に、拡散ウェーブレット領域にマルチスケール分布マッチング基準を導入し、コアセットが元のデータセットを複数のスケールで近似することを奨励する。
  論文  参考訳（メタデータ） (2026-05-12T07:59:08Z)
• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• Principled Federated Random Forests for Heterogeneous Data [19.544248463207612]
  我々は、水平分割データのための新しいフェデレートランダムフォレストアルゴリズムであるFedForestを提案する。 我々は、慎重に選択されたクライアント統計を集約した分割手順が、集中型アルゴリズムによって選択された分割を近似していることを証明する。 また、FedForestはクライアントインジケータの分割を可能にし、非パラメトリックなパーソナライゼーションの形式を可能にすることも示しています。
  論文  参考訳（メタデータ） (2026-02-03T08:41:59Z)
• Federated Multi-Task Clustering [44.73672172790804]
  本稿では,Federated Multi-Task Clustering(FMTC)という新しいフレームワークを提案する。 クライアント側パーソナライズされたクラスタリングモジュールとサーバ側テンソル相関モジュールの2つの主要コンポーネントで構成されている。 乗算器の交互方向法に基づく,効率的なプライバシ保護分散アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-12-28T12:02:32Z)
• Mixture-of-Noises Enhanced Forgery-Aware Predictor for Multi-Face Manipulation Detection and Localization [52.87635234206178]
  本稿では,多面的操作検出と局所化に適したMoNFAPという新しいフレームワークを提案する。 このフレームワークには2つの新しいモジュールが含まれている: Forgery-aware Unified Predictor (FUP) Module と Mixture-of-Noises Module (MNM)。
  論文  参考訳（メタデータ） (2024-08-05T08:35:59Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Supernet Training for Federated Image Classification under System Heterogeneity [15.2292571922932]
  本研究では,2つのシナリオ,すなわちフェデレーション・オブ・スーパーネット・トレーニング(FedSup)を考えるための新しい枠組みを提案する。 フェデレートラーニング(FL)のモデルアグリゲーション段階でのパラメータの平均化は、スーパーネットトレーニングにおけるウェイトシェアリングとどのように似ているかに着想を得ている。 本フレームワークでは,通信コストの削減とトレーニングオーバーヘッドの低減のために,放送段階のクライアントにサブモデルを送信することで,効率的なアルゴリズム(E-FedSup)を提案する。
  論文  参考訳（メタデータ） (2022-06-03T02:21:01Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
  我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。 擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-30T03:17:20Z)

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。