論文の概要: FedCSGA: Evolutionary Client Selection with Joint Statistical and System Heterogeneity in Federated Learning

• arxiv url: http://arxiv.org/abs/2611.04667v2
• Date: Wed, 04 Nov 2026 06:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.769323
• Title: FedCSGA: Evolutionary Client Selection with Joint Statistical and System Heterogeneity in Federated Learning
• Title（参考訳）: FedCSGA:フェデレーション学習における統計的・系統的不均一性を考慮した進化的クライアント選択
• Abstract要約: フェデレートラーニング(FL)は、データプライバシを保持しながら、分散クライアント間で機械学習モデルの協調トレーニングを可能にする。 実際の展開では、FLは通信コストを削減し、ストラグラーを緩和し、異種データやシステム条件下でのトレーニング効率を向上させるために、各通信ラウンドのクライアントサブセットを選択することに依存している。 遺伝的アルゴリズムに基づくフェデレーション学習のためのクライアント選択手法であるFedCSGAを提案する。
• 参考スコア（独自算出の注目度）: 2.646031103241022
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated Learning (FL) enables collaborative training of machine learning models across distributed clients while preserving data privacy. In practical deployments, FL relies on selecting a client subset in each communication round to reduce communication cost, mitigate stragglers, and improve training efficiency under heterogeneous data and system conditions. In heterogeneous edge computing environments, both statistical heterogeneity and system heterogeneity significantly affect convergence efficiency and model performance. However, existing client selection methods often address these factors independently, overlooking their coupled and dynamic impact across communication rounds. To address this limitation, we propose FedCSGA, a Client Selection method for Federated learning based on Genetic Algorithm. FedCSGA encodes client subsets as chromosomes and evaluates these subsets through a non-linear fitness function that jointly integrates resource-aware metrics and history-aware participation weighting. This design captures subset-level interactions, mitigates persistent selection bias, and balances statistical utility with system efficiency. Extensive experiments on FMNIST, CIFAR-10, CIFAR-100, and Tiny-ImageNet demonstrate that FedCSGA consistently outperforms state-of-the-art baselines across diverse heterogeneity settings, achieving accuracy improvements of up to 7.0% and faster convergence with fewer communication rounds. These results validate the effectiveness of jointly modeling statistical and system factors to achieve robust and efficient learning in heterogeneous federated environments.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データプライバシを保持しながら、分散クライアント間で機械学習モデルの協調トレーニングを可能にする。 実際の展開では、FLは通信コストを削減し、ストラグラーを緩和し、異種データやシステム条件下でのトレーニング効率を向上させるために、各通信ラウンドのクライアントサブセットを選択することに依存している。 不均一エッジコンピューティング環境では、統計的不均一性とシステム不均一性の両方が収束効率とモデル性能に大きな影響を及ぼす。 しかし、既存のクライアントの選択方法は、通信ラウンド全体で結合された動的影響を見越して、これらの要因に独立して対処することが多い。 この制限に対処するため,遺伝的アルゴリズムに基づくフェデレーション学習のためのクライアント選択手法であるFedCSGAを提案する。 FedCSGAは、クライアントサブセットを染色体としてエンコードし、これらのサブセットを非線形適合機能を通じて評価する。 この設計は、サブセットレベルの相互作用をキャプチャし、永続的な選択バイアスを緩和し、統計ユーティリティとシステム効率のバランスをとる。 FMNIST、CIFAR-10、CIFAR-100、Tiny-ImageNetの大規模な実験により、FedCSGAは様々な異種性設定で常に最先端のベースラインを上回り、最大7.0%の精度向上とより少ない通信ラウンドでの収束の高速化を実現している。 これらの結果は,不均一なフェデレーション環境下での堅牢かつ効率的な学習を実現するために,統計的およびシステム要因を共同でモデル化することの有効性を検証した。

関連論文リスト

• Resource-Aware Aggregation and Sparsification in Heterogeneous Ensemble Federated Learning [0.9176056742068811]
  フェデレートラーニング(FL)は、プライベートクライアントデータによる分散トレーニングを可能にする。 現在のアンサンブルに基づくFL法はモデル予測の多様性を捉えるには不十分である。 多様な計算能力を持つクライアントに適したグローバルアンサンブルベースのFLフレームワークである textbfSHEFL を提案する。
  論文  参考訳（メタデータ） (2025-08-12T01:40:46Z)
• FedDiverse: Tackling Data Heterogeneity in Federated Learning with Diversity-Driven Client Selection [21.93193941981852]
  フェデレートラーニング(FL)は、分散データに基づく機械学習モデルの分散トレーニングを可能にする。 現実世界のFL設定では、クライアントデータは不特定に分散され、不均衡になることが多い。 FEDDIVERSEはFLにおける新しいクライアント選択アルゴリズムであり、クライアント間のデータの均一性を管理・活用する。
  論文  参考訳（メタデータ） (2025-04-15T14:20:42Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• FLASH: Federated Learning Across Simultaneous Heterogeneities [55.0981921695672]
  FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。 ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。 最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
  論文  参考訳（メタデータ） (2024-02-13T20:04:39Z)
• FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup for Non-IID Data [54.81695390763957]
  フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。 我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。 クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
  論文  参考訳（メタデータ） (2023-09-18T12:35:05Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Straggler-Resilient Personalized Federated Learning [55.54344312542944]
  フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。 これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。 提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
  論文  参考訳（メタデータ） (2022-06-05T01:14:46Z)

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。