論文の概要: Is High Local Accuracy Enough? Geometric Consensus with Support-Adaptive Statistical Personalization for Federated Learning

• arxiv url: http://arxiv.org/abs/2610.31133v1
• Date: Thu, 22 Oct 2026 11:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.36467
• Title: Is High Local Accuracy Enough? Geometric Consensus with Support-Adaptive Statistical Personalization for Federated Learning
• Title（参考訳）: 高度局所精度は十分か?フェデレートラーニングのための支援適応型統計的パーソナライゼーションを用いた幾何学的合意
• Abstract要約: パーソナライズド・フェデレーション・ラーニング(PFL)の現実的な展開には、異種クライアントへの適応が必要である。 一般化とパーソナライゼーションを統合した統合PFLフレームワークであるFedGRCを提案する。
• 参考スコア（独自算出の注目度）: 13.233700027732029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world deployment of personalized federated learning (PFL) requires adapting to heterogeneous clients while preserving recognition performance beyond local distributions. However, high local accuracy can conceal failures on locally rare or absent classes. Effective personalization should therefore strengthen global recognition while raising the personalization floor. We propose an evaluation protocol that complements local accuracy with global, rare-class, and unseen-class evaluations to reveal generalization obscured by local scores, and assesses personalization floors among the worst-performing clients to expose weaknesses hidden by aggregate performance. To meet these deployment challenges, we propose FedGRC, a unified PFL framework integrating generalization and personalization through (i) Consensus-Guided Representation Learning (CGRL), which learns discriminative representations through shared directional and magnitude guidance; (ii) Multilayer Metric Synthesis (MMS), which constructs a shared covariance metric from these multilayer representations for statistical classification; and (iii) Support-Adaptive Shrinkage Personalization (SASP), which adapts class means within this metric by shrinking local estimates toward shared means according to local sample support, enabling adaptation while retaining shared knowledge. Extensive experiments, including benchmarking against 21 methods across 5 heterogeneity settings on 3 datasets and comprehensive ablation studies, validate the effectiveness of FedGRC. On CIFAR-10 and CIFAR-100, FedGRC surpasses state-of-the-art (SOTA) baselines in global recognition and personalization floors by at least 2.17% and 2.13%, respectively. On the real-world heterogeneous FedRS dataset, it outperforms the respective best baselines by 2.15%, 3.30%, and 4.61% in local adaptation, global recognition, and the personalization floor.
• Abstract（参考訳）: パーソナライズド・フェデレーション・ラーニング(PFL)の現実的な展開には、局所分布を超えた認識性能を維持しながら、異種クライアントへの適応が必要である。 しかし、局所的精度が高いと、局所的に稀な、または欠落したクラスの障害を隠蔽することができる。 したがって、効果的なパーソナライゼーションは、パーソナライゼーションのフロアを高くしながら、グローバルな認識を強化するべきである。 本稿では,局所的精度とグローバル,レアクラス,未確認クラスの評価とを補完する評価プロトコルを提案し,局所的なスコアによって隠された一般化を明らかにするとともに,最もパフォーマンスの悪いクライアントのパーソナライズフロアを評価し,集約的なパフォーマンスによって隠された弱点を明らかにする。 これらの展開課題に対処するため、一般化とパーソナライズを通した統合PFLフレームワークであるFedGRCを提案する。 一 方向性と等級の共有誘導により識別表現を学習する合意誘導表現学習(CGRL) 二 統計分類のための多層表現から共有共分散計量を構成する多層距離合成(MMS) 三 クラス平均を局所的なサンプル支援により共有手段に縮小し、共有知識を維持しつつ適応できるようにする、SASP(Support-Adaptive Shrinkage Personalization)。 3つのデータセット上の5つの不均一性設定に対する21のメソッドに対するベンチマークや、包括的アブレーション研究を含む大規模な実験は、FedGRCの有効性を検証する。 CIFAR-10とCIFAR-100では、FedGRCは、グローバルな認識とパーソナライゼーションのフロアにおける最先端(SOTA)ベースラインを、それぞれ2.17%、そして2.13%以上上回っている。 実世界の異質なFedRSデータセットでは、各最良ベースラインを2.15%、3.30%、4.61%の局所適応、グローバル認識、パーソナライゼーションフロアで上回っている。

関連論文リスト

• Personalized Federated Learning through Global Knowledge Distillation and Local Head Adaptation [0.0]
  頭部適応型個人化フェデレーション知識蒸留法(pFedKDH)を提案する。 pFedKDHは共有バックボーンのみを集約し、永続的なクライアント固有のヘッドを保持し、ローカルトレーニング中に教師として再校正されたグローバルヘッドを使用する。
  論文  参考訳（メタデータ） (2026-09-15T14:58:19Z)
• Global Federated Learning Strategies for Building Efficient Personalized Models [1.3537117504260623]
  フェデレートラーニング(FL)は、データプライバシを保証しながら、分散ユーザデータ上でモデルをトレーニングできる実践的なフレームワークである。 この論文は、効率的なパーソナライズされたモデルを構築するための方法論を提示する。 本研究では,地域適応時のユーザ固有のパフォーマンスを確保しつつ,グローバルな知識の保存方法を示す。
  論文  参考訳（メタデータ） (2026-08-15T08:12:52Z)
• Separate Aggregation of Split Network for Personalized Federated Learning [0.9668407688201359]
  フェデレーション学習は、不均一なクライアントデータ分散の下で大幅に劣化する可能性がある。 我々は、パーソナライズされたフェデレーション学習フレームワークであるPGFedSplitを提案する。 Fashion MNIST、CIFAR 10、CIFAR 100、Tiny ImageNetの実験では、アートPFL手法の状態を一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-05-26T05:44:30Z)
• FedPDPO: Federated Personalized Direct Preference Optimization for Large Language Model Alignment [55.97027207627]
  Fed PDPO(Federated Personalized Direct Preference Optimization)は、大規模言語モデル(LLM)の優先順位調整のためのパーソナライズされたフレームワークである。 パラメータ効率の良い微調整アーキテクチャを採用し、各クライアントはLow-Rank Adaptation (LoRA)アダプタで拡張された凍結したLLMバックボーンを維持し、通信効率のよいアグリゲーションを可能にする。 複数の嗜好データセットの実験では、最先端のパフォーマンスを示し、フェデレーション付きドメイン内およびクロスドメイン設定の平均精度が4.80%向上した。
  論文  参考訳（メタデータ） (2026-03-20T08:24:49Z)
• FedPrism: Adaptive Personalized Federated Learning under Non-IID Data [1.299941371793082]
  FedPrismは、各クライアントのモデルを3つの部分から構築するフレームワークである。 Prism Decompositionメソッドを使用して、各クライアントのモデルを3つの部分から構築する。 また、Dual-Streamデザインを使用しており、地元のスペシャリストと一緒に一般的なモデルを実行している。
  論文  参考訳（メタデータ） (2026-03-09T11:23:32Z)
• Local Performance vs. Out-of-Distribution Generalization: An Empirical Analysis of Personalized Federated Learning in Heterogeneous Data Environments [3.186130813218338]
  本研究は,その局所的性能と一般化能力の両方を包含して,フェデレートラーニングアプローチを徹底的に評価することを含む。 本稿では、FLIU (Federated Learning with individualized Updates) に指定されたFedAvgの修正手法を提案し、適応的パーソナライゼーション係数でアルゴリズムをパーソナライゼーションステップで拡張する。
  論文  参考訳（メタデータ） (2025-10-28T15:15:14Z)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• FedLoGe: Joint Local and Generic Federated Learning under Long-tailed Data [46.29190753993415]
  Federated Long-Tailed Learning (Fed-LT)は、分散化されたローカルクライアントから収集されたデータが、グローバルに普及しているロングテール分布を示すパラダイムである。 本稿では、Fed-LT(FedLoGe)におけるFederated Local and Generic Model Training(FedLoGe)というアプローチを紹介し、ローカルモデルとジェネリックモデルの両方のパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-01-17T05:04:33Z)
• PerAda: Parameter-Efficient Federated Learning Personalization with Generalization Guarantees [95.87604231887353]
  既存のpFL手法は高い通信コストと計算コストをもたらすか、テスト通信に弱い。 PerAdaではパラメータ蒸留とpFL pFLが特に試験時間分布において優れた性能を示す。 私たちのコードはhttps://github.com/NV/PerAda.comで公開されています。
  論文  参考訳（メタデータ） (2023-02-13T19:00:37Z)
• FedDC: Federated Learning with Non-IID Data via Local Drift Decoupling and Correction [48.85303253333453]
  フェデレートラーニング(FL)は、複数のクライアントがプライベートデータを共有せずに、高性能なグローバルモデルを集合的にトレーニングすることを可能にする。 局所的ドリフトデカップリングと補正(FedDC)を用いた新しいフェデレーション学習アルゴリズムを提案する。 私たちのFedDCでは、ローカルモデルパラメータとグローバルモデルパラメータのギャップを追跡するために、各クライアントが補助的なローカルドリフト変数を使用するような、ローカルトレーニングフェーズにおける軽量な修正のみを導入しています。 実験結果と解析結果から,FedDCは様々な画像分類タスクにおいて,収差の迅速化と性能の向上を図っている。
  論文  参考訳（メタデータ） (2022-03-22T14:06:26Z)

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。