論文の概要: FedReady: Bounded Agents for Federation Formation

• arxiv url: http://arxiv.org/abs/2611.03586v1
• Date: Mon, 02 Nov 2026 18:32:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:47:36.736274
• Title: FedReady: Bounded Agents for Federation Formation
• Title（参考訳）: FedReady: フェデレーション形成のための境界エージェント
• Abstract要約: 統合学習(FL)ランタイムは、集約とデプロイメントを標準化する。 それぞれの新しい研究は、依然としてフェデレーション形成を必要としている: タスク適格なサイトを選択し、フェデレーショントレーニングや分析のためのローカルデータとタスクコードを作成する。 有界LLMエージェントを用いたフェデレーション生成システムであるFedReadyを提案する。
• 参考スコア（独自算出の注目度）: 3.3101401805038324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) runtimes standardize aggregation and deployment, but each new study still requires federation formation: selecting task-eligible sites and preparing their local data and task code for federated training or analysis. This preparation recurs when the target changes, while raw records and site-private mappings are excluded from cross-site FL messages. We present FedReady, a system that performs federation formation with bounded LLM agents. Agents propose shared contracts, local adapters, and task code; the runtime owns workflow state and accepts artifacts only after checks tied to their digests. Candidate site discovery prioritizes recall; local eligibility verification checks task support before site admission. Once participating sites and artifacts are fixed, conventional federated training or analysis proceeds without readiness agents. Across 39 simulated retinal sites and four tasks, discovery reaches recall 1.00 at precision 0.65; local eligibility verification removes all 17 false positives without losing an eligible site-task pair. The participating sites supply 45,575 task-record instances and complete four 100-round jobs, including one with a runtime-generated contract. Across ten patient cohorts, preparation supports seven patient populations and holds endpoints at three sources as unsupported. Comparison with manually prepared reference populations and analysis (the manual reference) gives a maximum survival-curve difference of 0.001133. We also analyze 19 development failures, targeted classification ablations, and standalone and heterogeneous agent configurations. These results establish the feasibility of task-specific data preparation before ordinary FL training or analysis.
• Abstract（参考訳）: フェデレーション学習(FL)ランタイムは、集約とデプロイメントを標準化するが、新しい研究は、依然としてフェデレーション形成を必要とする。 この準備は、ターゲットが変更されたときに再帰し、生記録とサイトプライベートマッピングは、クロスサイトFLメッセージから除外される。 有界LLMエージェントを用いたフェデレーション生成システムであるFedReadyを提案する。 エージェントは共有コントラクト、ローカルアダプタ、タスクコードを提案し、ランタイムはワークフロー状態を所有し、ダイジェストに結びついたチェック後にのみアーティファクトを受け入れる。 候補サイト発見はリコールを優先し、局所的適性検証はサイトの入場前にタスクサポートをチェックする。 参加するサイトやアーティファクトが固定されると、従来の訓練や分析は準備の必要なく進行する。 39のシミュレートされた網膜部位と4つのタスクのうち、発見は精度0.65で1.00に達する。 参加サイトは45,575のタスク記録インスタンスを提供し、ランタイム生成契約を含む4つの100ラウンドのジョブを完了している。 10人の患者コホートが参加し、7人の患者を支援し、3つのソースでエンドポイントを開催する。 手作業による参照人口と分析(手作業による参照)と比較すると、生存曲線の最大差は 0.001133 である。 また,開発障害19件,目標分類基準,スタンドアロンおよび異種エージェント構成も分析した。 これらの結果は、通常のFLトレーニングや分析の前にタスク固有のデータ準備の実現可能性を確立する。

関連論文リスト

• Bridging the Data Gap: Source-Informed Task-Space Transport for Few-Shot Diffusion [12.948497270262608]
  本稿では,コンパクトなタスク空間において,繰り返し発生するソース-ターゲット関係を学習するメタディフについて紹介する。 CIFAR-100バリデーションタスクでは、正しいソース$+$トランスポートは、間違ったソースからのトランスポートよりも平均SWが13.9%低い。
  論文  参考訳（メタデータ） (2026-10-22T14:13:59Z)
• Privacy-Preserving Topology-Guided Safety for LLM-Based Multi-Agent Systems via Federated Graph Learning [67.04448659688579]
  FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。 フェデレーションはオプションではなく、オフ・ザ・シェルフ・トランスファーは流通シフトによって崩壊する。 Live FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。
  論文  参考訳（メタデータ） (2026-09-02T07:57:12Z)
• FedPref: Federated Preference Learning for Structured Radiology Report Extraction [69.11739400975445]
  ラジオロジーレポートでは、自由テキストで発見と位置を記述しているが、下流の検索と分析では、これらの関係を固定スキーマで記述する必要がある。 我々はFedPrefを紹介します: 凍結した公開言語モデルは代替の抽出を提案し、ローカルアノテーションはそれらをランク付けし、サイトはプールされたコンパクトQwen3-8Bアダプタを協調訓練します。 不平等なデータ量と病気の有病率を持つ6つのシミュレートされた病院の開発データに基づき、FedPrefはクライアント平均F1を2.49ポイント、最悪のサイトF1を9.10ポイント改善する。
  論文  参考訳（メタデータ） (2026-08-17T12:29:42Z)
• Auto-FL-Research: Agentic Search for Federated Learning Algorithms [8.523253752303946]
  Auto-FL-Researchは、FLアルゴリズムによるレシピ検索のための制約付きコーディングエージェントワークフローである。 エージェントは候補トレーニングアルゴリズムを提案し、実装する。 各キャンペーンは、候補スコア、ランタイム、編集されたファイル、アーティファクト、障害ステータスを記録する。
  論文  参考訳（メタデータ） (2026-07-01T18:28:09Z)
• VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
  本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。 VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。 Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
  論文  参考訳（メタデータ） (2026-06-03T20:02:35Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Grokking in LLM Pretraining? Monitor Memorization-to-Generalization without Test [22.499052329934603]
  LLMがトレーニングデータを記憶する時、下流タスクの一般化が改善し始める時、そして両者の間にラグがある場合、どうなるかを検討する。 我々の研究は、初めて、グラッキングが試験前混合物質(MoE)にまだ現れることを示した。 我々の第一の発見は、経路がランダムで非平滑な層をまたいで進化し、例えば、事前学習の損失が収束しているにもかかわらず、より構造化され、サンプル間で移動可能であることである。
  論文  参考訳（メタデータ） (2025-06-26T17:59:58Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Federated Meta-Learning for Few-Shot Fault Diagnosis with Representation Encoding [21.76802204235636]
  本稿では,数発の故障診断のための表現符号化ベースフェデレーションメタラーニング(REFML)を提案する。 REFMLは、トレーニングクライアントの固有の一般化を活用して、効果的に、アウト・オブ・ディストリビューションの利点に変換する。 同じ機器の非表示作業条件でテストすると2.17%-6.50%、全く見えない機器でテストすると13.44%-18.33%の精度で精度が向上する。
  論文  参考訳（メタデータ） (2023-10-13T10:48:28Z)
• Where to Begin? On the Impact of Pre-Training and Initialization in Federated Learning [18.138078314019737]
  フェデレート学習における事前学習モデルから始めることの影響について検討する。 事前訓練されたモデルから始めると、ターゲットエラー率に達するのに必要なトレーニング時間を短縮する。
  論文  参考訳（メタデータ） (2022-10-14T20:25:35Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。