論文の概要: Hybrid Federated Learning for Multimodal Fusion under Missing Modalities and Site Heterogeneity

• arxiv url: http://arxiv.org/abs/2611.03032v1
• Date: Mon, 02 Nov 2026 12:29:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:45:48.255307
• Title: Hybrid Federated Learning for Multimodal Fusion under Missing Modalities and Site Heterogeneity
• Title（参考訳）: 欠損モードとサイト不均一性を考慮したマルチモーダル核融合のためのハイブリッドフェデレーション学習
• Abstract要約: 提案手法は,2D-FedSMKL (2D-FedSMKL) とアベイラビリティ補正されたモダリティスコア,グループカーネル正規化,スムーズな最悪のリスクアグリゲーションを統合する。 二進数と多進数に対して曲率境界と正確な同期ブロック勾配等価性を確立し、条件付き加速率を与える。
• 参考スコア（独自算出の注目度）: 4.349849217141613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal fusion is studied under hybrid federation, where data are partitioned across samples and feature blocks. The proposed two-dimensional federated smooth multiple-kernel large-margin learning method (2D-FedSMKL) integrates availability-corrected modality scores, group-kernel regularization, and smooth worst-site risk aggregation. For fixed maps and propensities, the objective is convex and smooth. Curvature bounds and exact synchronous block-gradient equivalence are established for binary and multiclass scores, giving a conditional accelerated rate. An oracle-propensity binary risk bound and a propensity-perturbation result are also derived. Simulations and two public activity-recognition benchmarks assess site heterogeneity and modality absence. Worst-site aggregation improves worst-site performance under heterogeneity, including reversed and size-balanced designs. On the benchmarks, validation selects the correction; the selected model is not significantly worse than the strongest reference at the worst site, and group-regularization benefits vary by dataset.
• Abstract（参考訳）: マルチモーダル融合はハイブリッド・フェデレーションの下で研究され、データはサンプルと特徴ブロックに分割される。 提案手法は,2D-FedSMKL法と2D-FedSMKL法を併用し,アベイラビリティ補正されたモダリティスコア,グループカーネル正規化,スムーズな最悪のリスクアグリゲーションを実現する。 固定写像や確率に対して、目的は凸かつ滑らかである。 二進数と多進数に対して曲率境界と正確な同期ブロック勾配等価性を確立し、条件付き加速率を与える。 また、オラクル正当性二分リスクバウンドと正当性摂動結果も導出する。 シミュレーションと2つの公共活動認識ベンチマークは、サイトの不均一性とモダリティの欠如を評価する。 最悪のサイトアグリゲーションは、逆設計やサイズバランスの設計を含む不均一性の下で最悪のサイトパフォーマンスを改善する。 ベンチマークでは、バリデーションが修正を選択する。選択されたモデルは、最悪の場所で最強の参照よりも大幅に悪くはなく、グループ正規化のメリットはデータセットによって異なります。

関連論文リスト

• Prototype-guided Bilateral Alignment Multimodal Federated Learning [21.61289235703437]
  textbfMultimodal textbfFederated Learning Prototype-guided Bilateral Alignment frameworkを提案する。 MFedPBAは二重アライメント機構を通じて堅牢な知識シナジーを促進する。
  論文  参考訳（メタデータ） (2026-09-30T04:08:08Z)
• Federated Soft Clustering via Generalized Total Variation Minimization [47.26943674490726]
  一般化総変分最小化(GTVMin)は、グラフ正規化器を通して局所的な最大可能性問題を結合する。 計算コストを特徴付けるとともに,データの不均一性に対するロバスト性を評価する。
  論文  参考訳（メタデータ） (2026-09-16T09:19:25Z)
• A Unified Solution to Diverse Heterogeneities in One-shot Federated Learning [16.120630244663452]
  One-Shot Federated Learning (OSFL)は、サーバとクライアント間の通信を1ラウンドに制限する。 FedHydraは、モデルとデータの不均一性の両方に効果的に対処するために設計された、統一された、データフリーのOSFLフレームワークである。
  論文  参考訳（メタデータ） (2024-10-28T15:20:52Z)
• Near-Optimal Resilient Aggregation Rules for Distributed Learning Using 1-Center and 1-Mean Clustering with Outliers [24.88026399458157]
  ビザンティンの機械学習は、予測不可能な欠陥によってかなりの注目を集めている。 分散学習におけるマシンのセキュア化の鍵は、レジリエントな集約メカニズムである。
  論文  参考訳（メタデータ） (2023-12-20T08:36:55Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• 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。