論文の概要: When Is Personalized Federated Learning Worth Its Deployment Cost?

• arxiv url: http://arxiv.org/abs/2611.02146v1
• Date: Sun, 01 Nov 2026 19:29:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-12 06:00:02.584308
• Title: When Is Personalized Federated Learning Worth Its Deployment Cost?
• Title（参考訳）: フェデレーション学習はいつ,デプロイメントコストに価値があるのか?
• Abstract要約: 我々は、コスト感受性の重み時間展開コストを削減し、クライアントユーティリティがマクロF1に匹敵する実用性に基づく経験的決定問題としてパーソナライズ-ディープス選択を定式化する。 固定ポリシーと、クライアント毎のオフラインのOracleリファレンスと、Dirichletデータの不均一性とコスト感受性に関するレポートアロケーションマップを比較します。 このコントリビューションは、パーソナライゼーションの深さがコストに価値がある場合のオフライン評価であり、新しいPFLやデプロイメント時のスケジューラではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Personalized federated learning (PFL) may improve client-level performance, but deeper personalization increases deployment cost. We formulate personalization-depth selection as a utility-based empirical decision problem in which client utility equals Macro-F1 minus a cost-sensitivity weight times deployment cost, over six personalization depths labeled P0 through P5. We compare fixed policies with an offline per-client Oracle reference and report allocation maps over Dirichlet data heterogeneity and cost sensitivity. Although evaluated on this hierarchy, the formulation can accommodate any finite candidate set. On CIFAR-10, CIFAR-100, and a PTB-XL subset, personalization shows empirical, setting-dependent decision regimes rather than a universal benefit: higher cost sensitivity shifts Oracle mass toward the global-only depth P0; low cost sensitivity can favor deeper actions. Patterns are grid observations (three seeds per cell), not theoretical boundaries. Best-uniform is competitive with Oracle assignment (6.5 percent plus or minus 7.8 percent relative regret; 95 percent confidence interval 5.9 to 7.1), whereas random and personalize-all incur much larger regret (189.3 percent plus or minus 367.1 percent and 409.0 percent plus or minus 803.2 percent). Under the same utility, Ditto full-model personalization is substantially suboptimal once cost is counted. The contribution is an offline characterization of when personalization depth is worth its cost, not a new PFL optimizer or deployment-time scheduler.
• 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)は、クライアントレベルのパフォーマンスを改善するが、より深いパーソナライゼーションはデプロイメントコストを増大させる。 P0からP5にラベル付けされた6つのパーソナライズ深度に対して、Macro-F1のクライアントユーティリティがコスト感受性の重み時間展開コストを抑えるという実用性に基づく経験的決定問題としてパーソナライズ深度選択を定式化する。 固定ポリシーと、クライアント毎のオフラインのOracleリファレンスと、Dirichletデータの不均一性とコスト感受性に関するレポートアロケーションマップを比較します。 この階層で評価されるが、定式化は任意の有限候補集合を満たすことができる。 CIFAR-10、CIFAR-100、およびTB-XLサブセットでは、パーソナライゼーションは普遍的な利益よりも経験的な、設定に依存した決定体制を示している。 パターンは格子観測(細胞毎の3つの種)であり、理論的境界ではない。 ベストユニフォームはオラクルの代入(6.5%プラスまたは7.8%マイナス、95%の信頼区間5.9から7.1)と競合する一方、ランダムでパーソナライズされた全ての後悔(9.3%プラス、マイナス367.1%、マイナス409.0%プラス、マイナス803.2%)と競合する。 同じユーティリティの下では、Dittoのフルモデルパーソナライゼーションはコストがカウントされるとほぼ最適以下である。 このコントリビューションは、PFLオプティマイザやデプロイメント時のスケジューラではなく、パーソナライゼーションの深さがいつコストに価値があるかを、オフラインで評価するものだ。

関連論文リスト

• Shallow Probes Are Sufficient for Near-Oracle Personalization Depth Allocation in Federated Learning [0.0]
  訓練無しの欲求調査は、0.0071と98.3%のオラクル回復を後悔し、メタデータのみのポリシーとFedPBAを破っている。 CIFAR-10/100および患者分離型PTB-XL(45セッション、900のクライアント、2700; GroupKFold)では、トレーニングなしの欲求調査は、0.0071と98.3%のオラクル回復を後悔し、メタデータのみのポリシーとFedPBAを破る。
  論文  参考訳（メタデータ） (2026-10-18T11:24:43Z)
• ORDERS: An Empirical Study of Norm-Rank Aggregation for Personalized Federated Learning [0.0]
  本稿では,共有バックボーン,プライベートな残差アダプタと分類器,および更新ノルムによって割り当てられた幾何重みを組み合わせた構成について検討する。 8つの設定、2つのデータセット、データセット毎に1つの固定パーティションに5つのトレーニングシード。 2クラス毎のCIFAR-10では、ORDERS 80.51 pm 0.79%$ネイティブ平均クライアント精度が79.02 pm 1.42%$のFedPer-R1と80.27 pm 0.73%$の一致した一様ウェイト制御が達成されている。
  論文  参考訳（メタデータ） (2026-10-07T16:31:44Z)
• Governed Human-AI Prioritization Under Uncertainty: Adaptive Estimation and Dependency-Constrained Portfolio Selection [0.0]
  AIネイティブなソフトウェアエンジニアリングは、人間の判断、過去のアナロジー、パラメトリック推定、AI生成予測を、同じ優先順位決定の中で組み合わさりつつある。 ビジネスバリュースコア(BVS)、Effort and Risk Score(ERS)、優先順位付け値スコア(PVS)、集合スコア(CCS)、最適開発パス(ODP)の5つの量演算子について検討する。
  論文  参考訳（メタデータ） (2026-09-09T14:04:37Z)
• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)
• LLM-as-a-Judge for Scalable Test Coverage Evaluation: Accuracy, Operational Reliability, and Cost [1.7133809948345597]
  構造化評価を用いた受入テスト評価のための実運用対応フレームワークを提案する。 正確性、運用上の信頼性、コストにまたがる最初の包括的分析を提供する。 私たちは、データセット、フレームワーク、そしてデプロイをサポートするためのコードをリリースします。
  論文  参考訳（メタデータ） (2025-12-01T03:19:33Z)
• Humains-Junior: A 3.8B Language Model Achieving GPT-4o-Level Factual Accuracy by Directed Exoskeleton Reasoning [0.0]
  Humans-Juniorは3.8Bモデルで、FACTS GroundingのパブリックサブセットのGPT-4oと$pm 5$ ppで一致している。 我々のアプローチは、最小指向の"Exoskeleton Reasoning"足場と、プロトコルコンプライアンスを教える振る舞いの微調整を組み合わせたものです。
  論文  参考訳（メタデータ） (2025-10-29T20:12:36Z)
• Self-Play Preference Optimization for Language Model Alignment [75.83359213697854]
  近年の進歩は、嗜好の確率で直接作業することで、人間の嗜好をより正確に反映できることを示している。 本稿では,言語モデルアライメントのためのセルフプレイ方式を提案する。 我々の手法はSPPO(Self-Play Preference Optimization)と呼ばれ、繰り返しポリシー更新を利用してナッシュ均衡を確実に近似する。
  論文  参考訳（メタデータ） (2024-05-01T17:59:20Z)
• 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)

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。