論文の概要: Initiating Removal from Operational Symptoms in Federated Vehicular Networks

• arxiv url: http://arxiv.org/abs/2610.22584v1
• Date: Thu, 15 Oct 2026 19:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.640877
• Title: Initiating Removal from Operational Symptoms in Federated Vehicular Networks
• Title（参考訳）: フェデレートベネラルネットワークにおける手術症状の除去開始
• Abstract要約: 連結車両は、連邦学習(FL)を通して運転モデルを訓練し、それと共に運転する。 我々は、アンダーライン効果(メソッド)のアンダーラインニュートラル化について、アンダーラインアグリゲーション-アンダーラインタイムアンダーラインエビデンスアンダーラインエビデンスアンダーラインニュートラル化を提案する。 メソッドは、毎日エラーを駆動し、報告された症状を、最近のグローバルインクリメントによって分散されたサブスペースに投影する。
• 参考スコア（独自算出の注目度）: 5.731952433966062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Connected vehicles train a driving model through federated learning (FL) and drive with it, so a faulty contribution often surfaces only as a delayed symptom on the road. Federated unlearning (FU) assumes that a removal request names what to forget. A symptom names no vehicle or round, and aggregation has already spread its cause across the fleet. We propose \underline{A}ggregation-\underline{T}ime \underline{O}perational-evidence \underline{N}eutralization of \underline{E}ffects (\method{}), which makes unlearning a term of the FL aggregation rule. \method{} projects everyday driving errors and reported symptoms onto a subspace spanned by recent global increments. It propagates the surviving effect of every contribution with curvature estimated from these increments and scores all contributions in one backward pass. A two-tier correction suppresses suspected effects in every round and eliminates confirmed ones after a one-round probe. We prove that backward scoring matches forward scoring and that the elimination is exact when training is flat outside the subspace. On three driving datasets, \method{} leaves 43\% to 61\% less residual harm than the strongest baseline in eight of nine settings while staying within 0.36 points of full retraining in utility.
• Abstract（参考訳）: 連結車両は、連邦学習(FL)を通して運転モデルを訓練し、それと共に運転する。 フェデレーテッド・アンラーニング(FU)は、削除要求が何を忘れるべきかを指定すると仮定する。 症状は車両やラウンドを指定せず、アグリゲーションはすでに艦隊全体にその原因を広げている。 我々は, FLアグリゲーション則の項をアンラーニングする, \underline{A}ggregation-\underline{T}ime \underline{O}perational-evidence \underline{N}eutralization of \underline{E}ffects (\method{})を提案する。 \method{}は毎日エラーを発生させ、最近のグローバルインクリメントによって分散されたサブスペースに症状を報告します。 これは、これらのインクリメントから推定される曲率によるすべての貢献の生き残り効果を伝播させ、すべての貢献を1つの後方通過でスコアする。 2層補正は、各ラウンドにおける疑わしい効果を抑制し、1ラウンドのプローブで確認された効果を除去する。 後方のスコアリングが前方のスコアリングと一致し、トレーニングがサブスペースの外側で平坦である場合、除去が正確であることを示す。 3つの駆動データセットでは、 'method{} は、9つの設定のうち8つの最強のベースラインよりも43\% から 61\% の残酷さを減らし、実用性においてフルリトレーニングの0.36ポイント以内に留まる。

関連論文リスト

• A Deafening Silence: Catastrophic Forgetting Lives in the Output Embeddings of Tokens the Data Never Speaks [1.7077661158850292]
  大規模言語モデルでは,忘れられる場所や理由を解析する。 本稿では,トレーニング中の出力予測にのみAdamのエプシロンを上昇させるという介入を提案する。
  論文  参考訳（メタデータ） (2026-10-07T11:01:01Z)
• Self-Confirming Superposition Traps in Reinforcement Learning [62.71685993550818]
  強化学習はエージェントのポリシーによって選択されたデータに基づいて表現し、その結果のリターンを使って次の選択を導く。 これらのデータに対して表現フィッティングがグローバルに最適である場合でも,このループは低リターンポリシーを維持可能であることを示す。
  論文  参考訳（メタデータ） (2026-09-26T21:56:26Z)
• $T^5$: Twin-Critic Training for Token-Level Thoughts in Reinforcement Mid-Training [38.44142588468548]
  既存のグループ相対法では、コストがかかる。 単一生成軌道からトークンレベルの利点を校正するツインクリティカルな方法であるtfourを提案する。 実験の結果、最先端の批判のない手法と比較して、tfourは平均ベンチマーク性能を7.8%改善し、平均トレーニングステップ時間を63.4%削減した。
  論文  参考訳（メタデータ） (2026-09-26T17:07:57Z)
• Anatomy of a Closed-Loop Collapse: A Causal Case Study of a Compressed VLA Policy [0.0]
  圧縮された操作ポリシーは、クローズドループ実行中にオフライン評価をパスすることができる。 自然発生症例の因果解剖に寄与する。 最小ペアの介入は、トレーニングストリームの半分を配置配信の教師ロールアウトに置き換える。
  論文  参考訳（メタデータ） (2026-09-19T14:29:25Z)
• OPTED: On-Policy Fine-Tuning for End-to-End Driving using a Render-Free Teacher [61.49002396968246]
  エンド・ツー・エンドの運転ポリシーはオープンループで事前訓練される。 クローズドループのポストトレーニングはこのリスクを軽減することができるが、センサーベースのポリシーにはコストのかかるシミュレーションが必要である。 エンドツーエンド政策のポストトレーニングから強化学習を分離するOPTEDを提案する。
  論文  参考訳（メタデータ） (2026-09-17T17:41:51Z)
• The Orthogonalized Read Is a Removable Training Scaffold for Recurrent Memory [0.0]
  効果は再現されるが、メモリ改善ではない。 この任務の訓練は、急激な脱出に続き、長い確率の台地である。 公開された利益の多くは、アーキテクチャをまったく必要としない。
  論文  参考訳（メタデータ） (2026-07-02T18:54:23Z)
• Right Makes Might: Aligning Verified Hidden States Empowers RL Reasoning [55.264863369127774]
  現在の方法では、それぞれの正しいロールアウトを単一の報酬ビットに減らし、隠れた状態間で共有される幾何学的構造を無視している。 本稿では,RLトレーニングにおけるアンカートークンにおける正ロールアウトの最終層を,トレーニングと推論の両方においてゼロオーバーヘッドで整列する補助損失関数Hidden-Alignを提案する。 8つの数学的推論ベンチマークでは、Hidden-AlignはDAPOベースラインの平均パス@1をQwen3-1.7B, 4B, 14Bで3.8, 6.2, 5.4ポイント改善し、3つのスケールで一貫したパス@kゲインを得る。
  論文  参考訳（メタデータ） (2026-06-02T06:51:15Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Intersection of Parallels as an Early Stopping Criterion [64.8387564654474]
  そこで本研究では,検証セットを必要とせずに,トレーニングイテレーションの早期停止点を見つける手法を提案する。 幅広い学習率において,コサイン距離基準 (CDC) と呼ばれる手法は,比較したすべての手法よりも平均的な一般化に寄与する。
  論文  参考訳（メタデータ） (2022-08-19T19:42:41Z)
• Do We Need Zero Training Loss After Achieving Zero Training Error? [76.44358201918156]
  本研究では,遠心分離法(Emphflooding)と呼ばれる直接解法を提案する。 本研究では, 浸水により性能が向上し, 副産物として, 試験損失の2重降下曲線が誘導されることを実験的に示す。
  論文  参考訳（メタデータ） (2020-02-20T12:50:49Z)

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。