Fugu-MT 論文翻訳(概要): Rethinking Model Aggregation for Federated Learning with Domain Skew: A Knowledge-Preserving Perspective

論文の概要: Rethinking Model Aggregation for Federated Learning with Domain Skew: A Knowledge-Preserving Perspective

arxiv url: http://arxiv.org/abs/2611.01893v1
Date: Sun, 01 Nov 2026 13:36:47 GMT
ステータス: 情報取得中
システム内更新日: 2026-11-03 19:57:20.162518
Title: Rethinking Model Aggregation for Federated Learning with Domain Skew: A Knowledge-Preserving Perspective
Title（参考訳）: ドメインスキューによるフェデレーション学習のためのモデルアグリゲーションの再考:知識保存の視点から
Abstract要約: ドメイン指向のエキスパートトレーニングとプロトタイプベースの分類器校正を組み合わせた2段階のフレームワークを提案する。 FKPLの平均精度は73.01%、67.00%、および64.51%で、Office-Caltech-10、PACS、DomainNetの4ドメインサブセットである。
参考スコア（独自算出の注目度）: 9.60973277442147
License:
Abstract: Domain skew challenges federated learning by requiring a shared model to accommodate distinct visual distributions. Domain-specific experts can capture these distributions separately, creating an opportunity to integrate their representations in a unified predictor. We propose Federated Knowledge-Preserving Learning (FKPL), a two-stage framework that combines domain-oriented expert training with prototype-based classifier calibration. First, a one-shot subspace-based clustering procedure groups clients for intra-cluster training. The resulting expert encoders are concatenated and frozen, preserving each learned feature mapping during global integration. Second, clients interpolate their concatenated features with class-matched domain prototypes and upload the resulting virtual features. The server trains a global linear classifier on these features, concentrating classifier optimization at the server after a single feature upload. FKPL achieves average accuracies of 73.01\%, 67.00\%, and 64.51\% on Office-Caltech-10, PACS, and a four-domain subset of DomainNet, respectively. On DomainNet, its cross-domain standard deviation is 7.50 percentage points, the lowest among the evaluated methods. With the same concatenated extractor, prototype-based calibration improves average accuracy over federated classifier training by 9.99 and 14.94 percentage points on Office-Caltech-10 and PACS. These results identify classifier calibration as an effective way to combine preserved domain representations into a global predictor.
Abstract（参考訳）: ドメインスキューは、異なる視覚分布に対応するために共有モデルを必要とすることで、連合学習に挑戦する。ドメイン固有の専門家は、これらの分布を別々に捉え、それらの表現を統一された予測器に統合する機会を生み出すことができる。ドメイン指向のエキスパートトレーニングとプロトタイプベースの分類器校正を組み合わせた2段階のフレームワークであるFKPLを提案する。まず、ワンショットのサブスペースベースのクラスタリングプロシージャが、クラスタ内のトレーニングのためにクライアントをグループ化する。結果として得られたエキスパートエンコーダは統合されて凍結され、グローバルな統合中に各学習済みの機能マッピングが保存される。第二に、クライアントは統合された機能をクラスマッチングされたドメインプロトタイプとインタープリケートし、その結果の仮想機能をアップロードする。サーバはこれらの機能に対してグローバルな線形分類器をトレーニングし、単一機能のアップロード後にサーバで分類器の最適化に集中させる。 FKPLは、Office-Caltech-10、PACS、DomainNetの4ドメインサブセットで平均73.01\%、67.00\%、64.51\%を達成する。 DomainNetでは、ドメイン間の標準偏差は7.50パーセントであり、評価されたメソッドの中では最低である。同じ連結抽出器により、プロトタイプベースのキャリブレーションは、Office-Caltech-10とPACSの9.99と14.94のパーセンテージで、フェデレーション分類器のトレーニングよりも平均精度を向上する。これらの結果は、保存されたドメイン表現をグローバルな予測器に結合する有効な方法として分類器の校正を識別する。

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)
Deep Domain Isolation and Sample Clustered Federated Learning for Semantic Segmentation [2.515027627030043]
本稿では,2次元セグメンテーションタスクにおける参加者間の共変量変化の影響を初めて検討する。我々は、モデルの勾配空間内で直接画像領域を分離するディープドメイン分離(DDI)を開発する。我々は,このクラスタリングアルゴリズムをSCFL(Sample Clustered Federated Learning)フレームワークを通じて活用する。
論文参考訳（メタデータ） (2024-10-04T12:43:07Z)
Taming Cross-Domain Representation Variance in Federated Prototype Learning with Heterogeneous Data Domains [8.047147770476212]
フェデレートラーニング(FL)は、プライベートデータを共有することなく、協調的な機械学習トレーニングを可能にする。ほとんどのFLメソッドは、クライアント間で同じデータドメインを前提としていますが、現実のシナリオは、しばしば異種データドメインを伴います。分散を意識した2段階のプロトタイプをクラスタリングし,新たな$alpha$-sparsityのプロトタイプロスを利用するFedPLVMを紹介した。
論文参考訳（メタデータ） (2024-03-14T02:36:16Z)
FIXED: Frustratingly Easy Domain Generalization with Mixup [53.782029033068675]
ドメイン一般化(Domain Generalization, DG)は、複数のトレーニングドメインから一般化可能なモデルを学ぶことを目的としている。一般的な戦略は、Mixupcitezhang 2018mixupのようなメソッドによる一般化のためにトレーニングデータを拡張することである。我々は、MixupベースのDG、すなわちドメイン不変の特徴mIXup(FIX)の簡易かつ効果的な拡張を提案する。提案手法は,9つの最先端手法よりも優れており,試験精度の面では,ベースラインの平均6.5%を上回っている。
論文参考訳（メタデータ） (2022-11-07T09:38:34Z)
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)
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)
Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文参考訳（メタデータ） (2021-04-03T01:33:14Z)
Inductive Unsupervised Domain Adaptation for Few-Shot Classification via Clustering [16.39667909141402]
ショットの分類は、多様なドメインに適応する必要がある場合、苦労する傾向があります。本稿では、ClusteringによるFew-shot分類のためのドメイン適応性能を改善するためのフレームワークDaFeCを紹介する。提案手法は, 絶対利得(分類精度)が4.95%, 9.55%, 3.99%, 11.62%であった。
論文参考訳（メタデータ） (2020-06-23T08:17:48Z)
Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
論文参考訳（メタデータ） (2020-06-11T16:19:02Z)

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。