論文の概要: More Is Better? Exploring Latent Correspondence in Federated Hypergraph Learning

• arxiv url: http://arxiv.org/abs/2610.39362v1
• Date: Thu, 29 Oct 2026 04:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.460653
• Title: More Is Better? Exploring Latent Correspondence in Federated Hypergraph Learning
• Title（参考訳）: より良くなるか?フェデレーションハイパーグラフ学習における潜在対応を探る
• Abstract要約: 潜在的クロスクライアントハイパーエッジ対応によるフェデレーションハイパーグラフ学習は、基本的な識別可能性と計算上の課題を生じさせる。 FedASTRA(Federated Adaptive Spectral Training with Representation Alignment)を紹介する。 8つの実世界のデータセットに対する実験は、識別子のないフェデレーショングラフとハイパーグラフ法に対するFedASTRAの有効性を示す。
• 参考スコア（独自算出の注目度）: 16.74442540702254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated hypergraph learning with latent cross-client hyperedge correspondence poses fundamental identifiability and computational challenges, as the same local release can correspond to multiple global hypergraph structures. We characterize the tractability of recovering these latent correspondences, showing tractable pairwise assignment but generally intractable multi-client hyperedge matching. Building on this characterization, we derive a cross-entropy decomposition that reveals when local prediction can outperform predictors fitted with additional cross-client information. Motivated by this principle, we introduce Federated Adaptive Spectral Training with Representation Alignment (FedASTRA), which learns correspondence-invariant diffusion representations through adaptive heat diffusion and masked latent prediction while communicating model parameters only. We establish its asymptotic optimality with respect to the permitted local information and prove global population-risk convergence under explicit conditions on recovery, representation, and update alignment. Experiments on eight real-world datasets demonstrate the effectiveness of FedASTRA against identifier-free federated graph and hypergraph methods. On ogbn-papers100M, FedASTRA reaches the performance-communication Pareto frontier, achieving 50.07 Accuracy and 29.73 Macro-F1 while communicating only 59.60 MiB per round.
• Abstract（参考訳）: 潜在的クロスクライアントハイパーエッジ対応によるフェデレーションハイパーグラフ学習は、同じ局所リリースが複数のグローバルハイパーグラフ構造に対応できるため、基本的な識別可能性と計算上の課題を生じさせる。 我々は、この潜在対応を復元するトラクタビリティを特徴付け、トラクタブルなペア割り当てを示すが、一般的には、トラクタブルなマルチクライアントハイパーエッジマッチングを示す。 この特徴を生かしたクロスエントロピー分解を導出し、局所予測が追加のクロスクリエント情報を備えた予測器より優れていることを示す。 本稿では,適応的熱拡散とマスク付き潜時予測によって対応不変な拡散表現を学習し,モデルパラメータのみを伝達するFederated Adaptive Spectral Training with Representation Alignment(FedASTRA)を提案する。 我々は、許可された地域情報に関して、その漸近的最適性を確立し、回復、表現、更新アライメントに関する明確な条件の下で、グローバルな人口リスク収束を証明した。 8つの実世界のデータセットに対する実験は、識別子のないフェデレーショングラフとハイパーグラフ法に対するFedASTRAの有効性を示す。 ogbn-papers100Mでは、FedASTRAがパレート・フロンティアに到達して50.07の精度と29.73のマクロF1を達成し、1ラウンド当たり59.60マイルしか通信できない。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• Causality-inspired Federated Learning for Dynamic Spatio-Temporal Graphs [32.47167190970743]
  Federated Graph Learning(FGL)は、グラフニューラルネットワークの分散トレーニングのための強力なパラダイムとして登場した。 既存のFGLメソッドは、実世界のグラフにクライアント固有の知識が存在することを見越して、すべての機能がクライアント間で等しく転送可能であると仮定する。 本稿では,クライアント固有のノイズから伝達可能な因果的知識を明示的に分離するSC-FSGLという,因果性に着想を得た新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-31T07:52:56Z)
• COP-GEN: Latent Diffusion Transformer for Copernicus Earth Observation Data -- Generation Stochastic by Design [9.278432103577925]
  地球観測の応用は、光学、レーダー、標高、土地被覆製品を含む複数のセンサーのデータにますます依存している。 本研究では,不均一な地球観測モードの空間分解能の共分散をモデルとした潜時拡散変換器COP-GENを紹介する。 大規模なグローバルマルチモーダルデータセットの実験では、COP-GENは光学、レーダー、高度のモードで強いピーク忠実性を維持しながら、多種多様な物理的に一貫した実現を生成する。
  論文  参考訳（メタデータ） (2026-03-03T18:31:46Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Decentralized Federated Learning with Gradient Tracking over Time-Varying Directed Networks [42.92231921732718]
  本稿では,DSGTm-TVというコンセンサスに基づくアルゴリズムを提案する。 グラデーショントラッキングとヘビーボールモーメントを取り入れて、グローバルな目的関数を最適化する。 DSGTm-TVでは、エージェントは近隣エージェントとの情報交換を用いて局所モデルパラメータと勾配推定を更新する。
  論文  参考訳（メタデータ） (2024-09-25T06:23:16Z)
• Endowing Pre-trained Graph Models with Provable Fairness [49.8431177748876]
  証明可能な公正性を持つ事前学習グラフモデル(GraphPAR)を実現する新しいアダプタチューニングフレームワークを提案する。 具体的には、各ノードに対して異なる属性意味を持つノード表現を拡張するために、ノード表現に対するセンシティブなセマンティックオーグメンタを設計する。 GraphPARでは、各ノードの公平性が証明可能であるかどうか、すなわち、予測が特定の機密属性セマンティクスの範囲内で常に公平であるかどうかを定量化する。
  論文  参考訳（メタデータ） (2024-02-19T14:16:08Z)
• SMaRt: Improving GANs with Score Matching Regularity [114.43433222721025]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることがわかった。 提案手法は, 実世界のデータセットにおいて, 近似スコア関数として機能する事前学習拡散モデルを用いて, 最先端のGANの性能を継続的に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• Adaptive Graph-Based Feature Normalization for Facial Expression Recognition [1.2246649738388389]
  データ不確実性から表情認識モデルを保護するために,適応グラフに基づく特徴正規化(AGFN)手法を提案する。 我々の手法は、ベンチマークデータセットで91.84%、91.11%の精度で最先端の作業より優れています。
  論文  参考訳（メタデータ） (2022-07-22T14:57:56Z)

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。