論文の概要: Geodesic-SVDD Latent Mixup for One-Shot Distributed Tabular Learning

• arxiv url: http://arxiv.org/abs/2610.33619v1
• Date: Sat, 24 Oct 2026 11:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.374227
• Title: Geodesic-SVDD Latent Mixup for One-Shot Distributed Tabular Learning
• Title（参考訳）: ワンショット分散話者学習のための測地-SVDD潜時混合
• Abstract要約: 本稿では,各クライアントのタスクを超球面上の一級密度推定として再キャストする分散球型プロトタイプ学習フレームワークを提案する。 また,反復同期を伴わずにプライバシ保護アグリゲーションを可能にする新しいワンショット「エキスパートの製品」プロトコルを提案する。
• 参考スコア（独自算出の注目度）: 5.950100626442648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributed Learning on structured data is a key and widely adopted approach in privacy-sensitive sectors, ranging from financial fraud prevention to federated healthcare diagnostics. While Gradient Boosted Decision Trees are widely used in centralized settings due to their efficiency, they are incompatible with standard gradient-based federated learning protocols because of their non-differentiability. Conversely, standard deep classifiers that are amenable to federated optimization often suffer from catastrophic forgetting under label distribution skew. In this work, to address these gaps we propose Geodesic-SVDD, a framework for Distributed Spherical Prototype Learning that recasts each client's task as one-class density estimation on the hypersphere, so that local models can be aggregated as probabilistic manifolds in a single round. Specifically, for each client, we employ a Residual Spherical Encoder and Geodesic Latent Mixup that enforces strict hyperspherical constraints ($\|φ(x)\| \equiv 1$), preventing the manifold collapse observed in linear approximations. Furthermore, leveraging this insight, we propose a novel One-Shot "Product of Experts" protocol that enables privacy-preserving aggregation without iterative synchronization. Finally, we mechanistically analyze the trade-off between interpolation strategies, demonstrating that while linear mixup offers an enticing computational shortcut, it destabilizes optimization gradients by orders of magnitude ($10^9\times$). Across five tabular benchmarks and four levels of label skew, Geodesic-SVDD attains the highest mean AUROC among seven federated methods, outperforms federated tree ensembles by up to 21 AUROC points on Covertype, and its One-Shot variant matches centralized Deep SVDD under IID and mild skew with a single communication round.
• Abstract（参考訳）: 構造化データの分散学習は、金融詐欺防止から連合医療診断まで、プライバシーに敏感な分野において重要かつ広く採用されているアプローチである。 グラディエントブースト決定木はその効率性から集中的な設定で広く使われているが、非微分性のため標準勾配に基づく連邦学習プロトコルと互換性がない。 逆に、フェデレーション最適化に適する標準的なディープ分類器は、しばしばラベル分布スキューの下で破滅的な忘れ込みに悩まされる。 本研究では,各クライアントのタスクを超球面上の一級密度推定として再キャストし,局所モデルを1ラウンドで確率多様体として集約する分散球形学習フレームワークであるGeodesic-SVDDを提案する。 具体的には、各クライアントに対して、Residual Spherical Encoder と Geodesic Latent Mixup を用いて、厳密な超球面制約 ("\|φ(x)\| \equiv 1$") を課し、線形近似で観測される多様体の崩壊を防止する。 さらに,この知見を生かして,反復的同期を伴わずにプライバシ保護アグリゲーションを可能にする新しいワンショット「エキスパート製品」プロトコルを提案する。 最後に、補間戦略間のトレードオフを機械的に解析し、線形混合がエンチリングな計算ショートカットを提供する一方で、等級($10^9\times$)で最適化勾配を不安定化することを示した。 5つの表付きベンチマークと4レベルのラベルスキューのうち、Geodesic-SVDDは7つのフェデレーションメソッドの中で最高平均AUROCを達成し、Covertype上で最大21のAUROCポイントのフェデレーションツリーアンサンブルを上回り、One-Shotの変種はIID下でのディープSVDDと1回の通信ラウンドで軽度スキューに一致した。

関連論文リスト

• Projection-Based Federated Learning on Compact Submanifolds with Geometry-Independent Differential Privacy [19.8374401690036]
  フェデレーション学習は、データを交換することなく、クライアント間で共有モデルをトレーニングする。 既存の手法は、各新しいイテレートのジオメトリで、プライバシーのために追加されたノイズを再構築する。 DP-RFedProjは,コンパクトな部分多様体のためのレコードレベルの微分プライベート学習手法である。
  論文  参考訳（メタデータ） (2026-10-24T14:52:22Z)
• DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
  長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。 DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。 DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
  論文  参考訳（メタデータ） (2026-09-16T14:57:11Z)
• Towards Federated Long-Tailed Graph Learning: An Energy-Guided Dual Decoupling Approach [10.914852410153921]
  我々は、トポロジ的浄化とセマンティックリカバリを分離した二重疎結合パラダイムに基づくフレームワークであるFedEPDを提案する。 FedEPDは様々な長い尾のベンチマークで最先端のパフォーマンスを達成し、精度は4.97%、マクロF1は5.48%まで向上した。
  論文  参考訳（メタデータ） (2026-06-23T07:25:40Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• SCOPE: Semantic Coreset with Orthogonal Projection Embeddings for Federated learning [0.7799711162530713]
  現在のMLアプローチでは、非現実的なデータアグリゲーションを必要とするか、クラス不均衡のため失敗する。 SCOPEは,異常をフィルタし,冗長なデータを長期スキューに適応させる,フェデレートされたデータのためのコアセットフレームワークである。 SCOPEは、アップリンク帯域幅を128倍から512倍に削減しながら、競争力のあるグローバル精度と堅牢な収束をもたらす。
  論文  参考訳（メタデータ） (2026-03-13T13:24:12Z)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• Federated Classification in Hyperbolic Spaces via Secure Aggregation of Convex Hulls [35.327709607897944]
  我々は,Poincareディスク用の凸SVM分類器の分散バージョンを開発した。 双曲空間における凸殻の複雑さを計算し,データ漏洩の程度を評価する。 本手法は, 階層的な単一細胞RNA-seqデータを含む, 多様なデータ集合を用いて, 異なるレポジトリに分散した患者から抽出した。
  論文  参考訳（メタデータ） (2023-08-14T02:25:48Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。