論文の概要: Fed-Universe: A Semantic-Geometric-Topological-Human (S-G-T-H) Stack for Negotiated Alignment in Federated Systems
- arxiv url: http://arxiv.org/abs/2610.34009v1
- Date: Sun, 25 Oct 2026 02:43:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.515856
- Title: Fed-Universe: A Semantic-Geometric-Topological-Human (S-G-T-H) Stack for Negotiated Alignment in Federated Systems
- Title（参考訳）: Fed-Universe: フェデレーションシステムにおけるネゴシエーションのための意味幾何学的トポロジカル・ヒューマン(S-G-T-H)スタック
- Abstract要約: 従来のフェデレーション学習者は、グローバルな手段を暗黙的に最適化し、"ワンサイズフィットオール"パラダイムを作成する。
分散化アライメントのためのアクティブ交渉に受動平均化を変換する一般化可能なセマンティック・ジオメトリ・トポロジカル・ヒューマン(S-G-T-H)アーキテクチャであるFed-Universeを提案する。
- 参考スコア（独自算出の注目度）: 9.895231601902339
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional federated learners implicitly optimize for global means, creating a "one-size-fits-all" paradigm that inevitably suppresses the minority under cross-site heterogeneity. To bridge this critical gap, we present Fed-Universe, a generalizable Semantic-Geometric-Topological-Human (S-G-T-H) architecture that transforms passive averaging into an active negotiation for decentralized alignment. The S-layer deploys an edge-capable LLM as a semantic surrogate to translate heterogeneous inputs into standardized patient profile prompts. The G-layer enforces geometric quality assurance (GQA) via a mapping f: Theta -> Q from the statistical parameter space to a physically interpretable quality domain, employing a cosine similarity gate to retain minority updates based on physical geometry rather than statistical proximity. The T-layer executes topological Pareto control, identifying a sensitivity-based knee point (lambda_k) to balance multi-objective aggregation without majority degradation. Finally, the H-layer operationalizes a cognitive twin dynamic to mirror the user's real-time psychological state, dynamically adapting human-computer interaction modes via active intent alignment. To ground this theoretical architecture empirically, we validated the S-G-T core on a binational synthetic clinical network simulation. This proof-of-concept demonstrated a "zero-sum escape": a minority node (<3% data volume) achieved utility parity (loss reduction from 0.857 to 0.340) alongside dominant hubs. Our Fed-Universe framework is being expanded along two focused pillars: institutional multimodal alignment (Fed-Ultra) and individual cognitive intent alignment (Fed-Human).
- Abstract（参考訳）: 従来のフェデレーション学習者は、グローバルな手段を暗黙的に最適化し、クロスサイト不均一性の下で少数派を必然的に抑圧する「ワンサイズフィット・オール」パラダイムを作成する。
この重要なギャップを埋めるために、我々は、受動的平均化を分散アライメントのためのアクティブな交渉に変換する一般化可能なセマンティック・ジオメトリ・トポロジカル・ヒューマン(S-G-T-H)アーキテクチャであるFed-Universeを提案する。
S層は、ヘテロジニアス入力を標準化された患者プロファイルプロンプトに変換するために、エッジ対応LCMをセマンティックサロゲートとして展開する。
G層は、幾何学的品質保証(GQA)を写像 f: Theta -> Q の統計パラメータ空間から物理的に解釈可能な品質領域へ適用し、コサイン類似性ゲートを用いて、統計的近接性ではなく、物理幾何学に基づくマイノリティ更新を保持する。
T層はトポロジ的パレート制御を実行し、感度に基づく膝点(lambda_k)を特定し、多数分解することなく多目的凝集のバランスをとる。
最後に、H層は、ユーザのリアルタイム心理学状態を反映し、アクティブなインテントアライメントを通じて人間とコンピュータのインタラクションモードを動的に適応する認知双対ダイナミクスを運用する。
この理論アーキテクチャを実証的に基礎として,二国間合成臨床ネットワークシミュレーションによるS-G-Tコアの検証を行った。
マイノリティノード(<3%のデータボリューム)は、支配的なハブとともにユーティリティパリティ(0.857から0.340まで)を達成した。
当社のFed-Universeフレームワークは、制度的マルチモーダルアライメント(Fed-Ultra)と個人の認知意図アライメント(Fed-Human)の2つの柱に沿って拡張されています。
関連論文リスト
- Decouple, Purify and Unite: Semantic-Structural Prototype Learning for Federated Medical Segmentation [73.37038385412892]
フェデレートラーニング(Federated Learning)は、医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。
既存の表現ベースのメソッドには2つの制限がある。
We propose FedBCS+, federated decoupled contextual alignment with style-purified aggregate。
論文 参考訳（メタデータ） (2026-10-03T18:26:17Z) - Decentralized Federated Learning for Heterogeneous Multi-Task Semantic Communication [16.237398580195496]
本稿では、タスク間干渉を遮断するパーソナライズされたDSCフレームワークを提案する。
ネットワーク全体にわたって、私たちは"通信時アグリゲーション"プロトコルをデプロイします。
提案手法をNYU-v2上で評価した結果, 不十分な凝集と過剰なトポロジカルミキシングとのトレードオフが明らかとなった。
論文 参考訳（メタデータ） (2026-08-15T14:22:58Z) - Spectral Dynamics of Semantic Drift in Clinical Multi-Agent Language Model Networks [0.0]
局所的な高密度傾斜角は、ハロゲン化データを閉じ込め、大域的なコンセンサスを防ぎ、恒久的なエントロピー飽和しきい値に向かってシステムを強制することを示す。
動的スペクトルモニタリングを$mathcalO(N3)$時間複雑さで導入することにより,グローバルな状態拡散を保証する数学的に厳密な手法を提案する。
論文 参考訳（メタデータ） (2026-07-23T20:20:45Z) - DeSeG: Decoupling Semantic Intent and Geometric Constraints for Physically Plausible Human-Scene Interaction [50.06148080975928]
本稿では,意味的意図を幾何学的制約から明確に分離する階層型フレームワークであるDeSeGを提案する。
DeSeGは最先端のパフォーマンスを実現し、平均シーン浸透率を47%削減し、SOTAベースラインに対するセマンティックアライメントを29%改善した。
論文 参考訳（メタデータ） (2026-07-07T03:21:08Z) - Fed-Equilibrium Framework for Topological Pareto Control in Robust and Fair Clinical Federated Learning [9.895231601902339]
本稿では,単純な防衛からトポロジカル均衡へパラダイムを進化させるフレームワークであるFed-Equilibriumを提案する。
我々は,Fed-Equilibriumが「知識の優位性」に効果的に対抗し,グローバルな一般化性が局所的な臨床的表現の犠牲にならない真の「知識の共通性」を確立していることを示す。
論文 参考訳（メタデータ） (2026-07-03T19:42:24Z) - HumanoidArena: Benchmarking Egocentric Hierarchical Whole-body Learning [38.43380992093738]
我々は,自己中心型階層型全身学習のためのシミュレーションファーストベンチマークであるHumanoidArenaを紹介する。
高レベルのポリシーは、エゴセントリックなビジョン、プロプレセプション、命令をコンパクトな全身アクションに変換し、その後低レベルのGMTによって実行される。
実験により、階層制御により、学習したポリシーが多様な脚クリティカルな相互作用を解決できることが示されているが、性能はトラッカー条件が強く、GMT間移動は脆弱である。
論文 参考訳（メタデータ） (2026-06-16T12:01:31Z) - 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) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。
SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2026-01-14T04:42:19Z) - Hyperspherical Graph Representation Learning via Adaptive Neighbor-Mean Alignment and Uniformity [19.848715662098645]
HyperGRLは、隣接する平均アライメントとサンプリング不要な一様性という2つの相反する目的を通じて、単位超球面上にノードを埋め込む。
実験により、HyperGRLは様々なグラフ構造に対して優れた表現品質と改善を提供することが示された。
論文 参考訳（メタデータ） (2025-12-30T08:11:37Z) - Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。
FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。
分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
論文 参考訳（メタデータ） (2024-06-13T14:45:35Z)
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。