論文の概要: Learning to Refer: Inference-Time Collaboration in Decentralized Federated Learning
- arxiv url: http://arxiv.org/abs/2610.26800v1
- Date: Mon, 19 Oct 2026 17:44:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 01:18:10.623868
- Title: Learning to Refer: Inference-Time Collaboration in Decentralized Federated Learning
- Title（参考訳）: 参照の学習:分散型フェデレーション学習における推論時間コラボレーション
- Abstract要約: 我々は、地域専門家の参考として、推論時コラボレーションを定式化する。
EdgeDRMはこのフレームワークを実装し、各クライアントの密度ベースのルーティング電位を学習する。
ベンチマークと実世界の医療データによる実験によると、EdgeDRMは、ほとんどの設定でグラフマッチングされた分散ベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 14.972721079020358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In decentralized federated learning, heterogeneous clients may develop complementary expertise, yet each query is typically evaluated only by the client where it arrives. To exploit this distributed expertise without global coordination, we formulate inference-time collaboration as budgeted local expert referral, a graph-constrained routing process in which a query can move only between neighboring clients and only visited clients contribute to its final prediction. EdgeDRM implements this framework by learning a density-based routing potential for each client: differences between neighboring potentials provide the comparisons used to select successive referrals, while local task models generate predictions that are aggregated along the resulting route. Both training and inference are decentralized, using only neighbor-local information without a central router or graph-wide client scoring. We establish estimation guarantees for the learned comparisons and characterize how local improvement and graph structure govern prior-weighted density gains from referral. Experiments on benchmark and real-world medical data show that EdgeDRM outperforms graph-matched decentralized baselines in most settings, with the clearest benefits under sparse connectivity.
- Abstract（参考訳）: 分散化された連合学習では、異種クライアントは相補的な専門知識を開発するが、各クエリは通常、到着したクライアントによってのみ評価される。
この分散した専門知識をグローバルな調整なしに活用するために、我々は、クエリが隣のクライアント間でのみ移動でき、訪問したクライアントだけが最終的な予測に寄与するグラフ制約付きルーティングプロセスである、予算付きローカルエキスパートレファレンシャルとして、推論時コラボレーションを定式化する。
EdgeDRMは、各クライアントの密度に基づくルーティング電位を学習することで、このフレームワークを実装している。
トレーニングと推論はどちらも分散化されており、中央ルータやグラフワイドクライアントスコアを使わずに、近隣のローカル情報のみを使用する。
本研究では,学習した比較結果に対する推定保証を確立し,局所的な改善とグラフ構造が参照からの事前重み付き密度ゲインをどのように支配するかを特徴付ける。
ベンチマークと実世界の医療データによる実験によると、EdgeDRMは、ほとんどの設定でグラフマッチングされた分散ベースラインよりも優れており、疎結合下では最も明確なメリットがある。
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) - Decentralized Machine Learning with Centralized Performance Guarantees via Gibbs Algorithms [3.307203784120635]
本稿では、ローカルデータセットを共有することなく、分散学習において集中的なパフォーマンスが達成できることを初めて示す。
特に、分散環境での集中的なパフォーマンスを達成するには、局所的なサンプルサイズで正規化係数の具体的なスケーリングが必要である。
論文 参考訳（メタデータ） (2026-04-22T12:25:09Z) - Boosting the Performance of Decentralized Federated Learning via Catalyst Acceleration [66.43954501171292]
本稿では,Catalytics Accelerationを導入し,DFedCataと呼ばれる促進型分散フェデレート学習アルゴリズムを提案する。
DFedCataは、パラメータの不整合に対処するMoreauエンベロープ関数と、アグリゲーションフェーズを加速するNesterovの外挿ステップの2つの主要コンポーネントで構成されている。
実験により, CIFAR10/100における収束速度と一般化性能の両面において, 提案アルゴリズムの利点を実証した。
論文 参考訳（メタデータ） (2024-10-09T06:17:16Z) - Generalizing Differentially Private Decentralized Deep Learning with Multi-Agent Consensus [11.414398732656839]
本稿では,分散ディープラーニングに差分プライバシーを組み込んだフレームワークを提案する。
本稿では,このフレームワークから派生したアルゴリズムの収束保証を証明し,その実用性を示す。
論文 参考訳（メタデータ） (2023-06-24T07:46:00Z) - Collaborative Mean Estimation over Intermittently Connected Networks
with Peer-To-Peer Privacy [86.61829236732744]
本研究は、断続接続を有するネットワーク上での分散平均推定(DME)の問題について考察する。
目標は、中央サーバの助けを借りて、分散ノード間でローカライズされたデータサンプルに関するグローバル統計を学習することだ。
ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
論文 参考訳（メタデータ） (2023-02-28T19:17:03Z) - Personalized Decentralized Federated Learning with Knowledge
Distillation [5.469841541565307]
フェデレート学習機能のパーソナライゼーションは、データや振る舞いのばらつきが高いクライアントのコーディネータとして機能する。
一般に、分散ネットワークにおいて、他のユーザーのモデルについて限られた知識の下で類似性を定量化することは困難である。
本研究では,局所モデル間の統計的距離を識別するために,知識蒸留技術を活用したパーソナライズされた完全分散FLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-23T16:41:07Z) - Find Your Friends: Personalized Federated Learning with the Right
Collaborators [7.749713014052951]
従来のフェデレーション学習環境では、中央サーバがクライアントのネットワークを調整し、1つのグローバルモデルをトレーニングする。
我々はFedeRiCoという新しい分散フレームワークを提案し、各クライアントはローカルなデータ配信に最適であるだけでなく、他のクライアントからも学べる。
論文 参考訳（メタデータ） (2022-10-12T21:29:22Z) - Efficient Distribution Similarity Identification in Clustered Federated
Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。
既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。
以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
論文 参考訳（メタデータ） (2022-09-21T17:37:54Z) - Decentralized federated learning of deep neural networks on non-iid data [0.6335848702857039]
分散環境でパーソナライズされたディープラーニングモデルを学ぶことの難しさに対処する。
本稿では,PENS(Performance-Based Neighbor Selection)という手法を提案する。
PENSは強力なベースラインに比べて高い精度を達成することができる。
論文 参考訳（メタデータ） (2021-07-18T19:05:44Z) - Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。
提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。
この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
論文 参考訳（メタデータ） (2021-02-14T05:36:25Z)
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。