論文の概要: After the Federation: Benchmarking Knowledge Portability to Heterogeneous Newcomers

• arxiv url: http://arxiv.org/abs/2610.26026v1
• Date: Mon, 19 Oct 2026 08:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:50:44.436396
• Title: After the Federation: Benchmarking Knowledge Portability to Heterogeneous Newcomers
• Title（参考訳）: フェデレーション後:異種新参者に対する知識ポータビリティのベンチマーク
• Abstract要約: FEDNBOは、知識供給、ポリシー識別、およびプライベートモデルコンパイルを分離するベンチマークである。 制御された研究は、膨張したオラクルゲイン、アーキテクチャに依存したトランスファーリバーサル、教師の精度とプライベートモデルユーティリティのギャップを露呈する。
• 参考スコア（独自算出の注目度）: 5.005590931441512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Once historical clients become unavailable, a federation must serve newcomers through the artifact it leaves behind. How much of its knowledge remains useful in an architecture chosen afterward? We introduce FEDNBO, a seven-dataset benchmark that separates knowledge supply, policy identification, and private-model compilation under disjoint data roles. Controlled studies expose inflated oracle gains, architecture-dependent transfer reversals, and a gap between teacher accuracy and private-model utility. Ordinary public-response distillation provides a competitive reference without public task labels or newcomer samples: gains over strengthened local training are 23.52 and 16.62 percentage points on 300 CelebA identities and 300 FedEMNIST writers, respectively. In a complete-pipeline FedEMNIST comparison, this reference reaches 97.13% accuracy with 12.4 seconds of compilation per architecture, versus 97.03% and 67.5 seconds for a HeteroFedTTA reconstruction at the same epoch budget. Equal-count public-input interventions extend support sensitivity to trainable visual backbones. Together, these results establish an auditable benchmark and a strong reference for evaluating the utility, cost and reliability of post-federation knowledge transfer.
• Abstract（参考訳）: 歴史的クライアントが利用できなくなると、フェデレーションは後に残るアーティファクトを通じて新参者にサービスを提供する必要があります。 その後、選択されたアーキテクチャにおいて、その知識のどれ程が有用か? FEDNBOは、知識供給、ポリシー識別、および非結合データの役割下でのプライベートモデルコンパイルを分離する7つのデータセットのベンチマークである。 制御された研究は、膨張したオラクルゲイン、アーキテクチャに依存したトランスファーリバーサル、教師の精度とプライベートモデルユーティリティのギャップを露呈する。 通常の公衆応答蒸留は、公共のタスクラベルや新参者のサンプルなしで競争力のある基準を提供する:強化されたローカルトレーニングの利得はそれぞれ300のCelebAアイデンティティと300のFedEMNISTライターの23.52と16.62ポイントである。 完全なパイプラインFedEMNIST比較では、この基準は97.13%の精度とアーキテクチャ毎の12.4秒のコンパイルに到達し、ヘテロFedTTAの再構築には97.03%と67.5秒の費用がかかる。 同等数のパブリックインプット介入により、トレーニング可能な視覚バックボーンに対するサポート感度が向上する。 これらの結果は、監査可能なベンチマークと、フェデレーション後の知識伝達の有用性、コスト、信頼性を評価するための強力な基準を確立する。

関連論文リスト

• Anvil: Scaling Embodied Spatial Intelligence through Knowledge Recirculation [60.72126693176622]
  データ生成、トレーニング、ベンチマークのための統一的なフレームワークであるAnvilを紹介します。 Anvil-Genは、フォーム固有の生成、クロスステージ整合性検証、11のグラウンド-リレーション-Actフォームにわたる障害駆動のリコールを組み合わせた異種データフライホイールである。 Anvil-Benは、様々な具体的空間能力の学習と、ステージ能力とエラー伝播を区別するシーン関連アセスメントのためのシーンアライメントを提供する。 Anvil-MOPDは、専門教師の蒸留を通じて異種空間知識を統合する9Bの学生である。
  論文  参考訳（メタデータ） (2026-10-15T13:47:08Z)
• When CONTRIBUTING Files Fall Short: Revising OSS Contribution Guidelines with Repository Evidence [9.849209539934032]
  ContribAlignは、カテゴリ誘導エビデンス統合を通じて、ConTRIBUINGファイルを自動修正するフレームワークである。 質的な分析により、6つの貢献カテゴリにわたる30のきめ細かいガイダンスの分類が得られる。 検出された競合をフィルタリングし、大きな言語モデルを使用してカテゴリレベルのリビジョンを生成する。
  論文  参考訳（メタデータ） (2026-10-15T06:05:55Z)
• Historical-Feature Residual Adaptation for Sequential Screening [4.656188767198098]
  収集時間残差適応について検討する: 固定された歴史的特徴から構築され、フィードバックが発覚する前に記録されたベーススコアに固定された小さなランキング補正を行う。 その結果, 基礎モデルに依存した利得を有する独立非線形ベースへの効果的な事前学習・政策適応と有効移行が示された。
  論文  参考訳（メタデータ） (2026-10-13T23:57:28Z)
• Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
  言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。 しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。 本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T16:19:49Z)
• GIFT-Eval-CTX: A Benchmark For Contextual Forecasting Model Evaluation [54.762166226411956]
  GIFT-Eval-CTXは数値軌道予測のベンチマークである。 GIFT-Eval-CTXには、20データセットにわたる10,000のインスタンスが含まれている。 構造的効果により、GPT-5.6ゾルでは40.7%、クロードオプス4.8では29.6%の集合相対性MASEが減少する。
  論文  参考訳（メタデータ） (2026-10-13T06:21:50Z)
• PowerBench: A Benchmark for Agentic Retrieval and Reasoning in Power Systems [20.058971648669882]
  大規模言語モデル(LLM)エージェントは、業界における自動分析の新しい機会を提供する。 このギャップに対処するために,(1)共通依存チェーンを介して相互接続した異種運用データを導出する生成フレームワークと,(2)このフレームワークによって生成された合成データセットからなるPowerBenchを提案する。 このデータセットは100種類のデバイスにまたがる761のデバイスをカバーしており、2年間にわたる1335万時間のテレメトリ記録と24,939の運用文書がある。
  論文  参考訳（メタデータ） (2026-09-28T07:41:50Z)
• Does Joint-Embedding Predictive Architecture Pretraining Help Time Series Forecasting? [78.40490439627504]
  時間的および時間的予測にまたがる9つのバックボーン11ベンチマークにおけるJEPAのインスタンス化を評価した。 このインスタンス化の利点はバックボーンによって大きく異なり、同じデータセットであっても、いくつかのアーキテクチャで一貫性のある一貫した利得が得られます。
  論文  参考訳（メタデータ） (2026-09-16T10:31:01Z)
• Has Scientific Talent Shifted from Depth to Breadth?Evidence across Papers, Knowledge Inputs, Careers, and Teams [0.0]
  2010年から2022年にかけて、チーム規模は推定37.3%増加し、紙のトピック幅は0-1階層距離スケールで0.0144減少した。 焦点深度の標準偏差は8.2%高めの1+FWCI[1.9%, 14.9%]に関連付けられ, 平均幅と相互作用の関連性は, 特定の同値境界下では小さくなった。 発見は、共同作業の拡大と多様な知識入力への持続的なアクセスを伴う、個々の蓄積共存に焦点を当てた、科学的な専門知識の区別された構造を支持する。
  論文  参考訳（メタデータ） (2026-09-13T10:48:13Z)
• OpenOneRec Technical Report [99.17075873619352]
  OneRecシリーズは、断片化されたレコメンデーションパイプラインをエンドツーエンドの生成フレームワークにうまく統合した。 OneRec Foundation (1.7B と 8B) は、新しい最先端(SOTA)を確立するモデルのファミリであり、RecIF-Benchのすべてのタスクにまたがる結果である。 Amazonベンチマークに移行すると、当社のモデルは10種類のデータセットに対して平均26.8%のRecall@10の改善により、最強のベースラインを越えた。
  論文  参考訳（メタデータ） (2025-12-31T10:15:53Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Robust Knowledge Adaptation for Federated Unsupervised Person ReID [14.861949635014449]
  Person ReIDは、異なる(クライアント)間で最小限の機密データを共有することを目指す Person ReID に対して FedUCC 学習法を提案する。 詳細は、ディープニューラルネットワークを用いて、汎用知識、専門知識、パッチ知識が発見される。
  論文  参考訳（メタデータ） (2023-01-18T05:46:48Z)

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。