論文の概要: Paper-Faithful Federated Learning: Scientific Checks for Practitioner and Agent Development
- arxiv url: http://arxiv.org/abs/2611.17129v1
- Date: Thu, 12 Nov 2026 17:22:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.568922
- Title: Paper-Faithful Federated Learning: Scientific Checks for Practitioner and Agent Development
- Title(参考訳): 論文に富んだフェデレーション学習:実践者およびエージェント開発のための科学的チェック
- Abstract要約: フェデレートされた学習実験は、実験実装が意図した実験プロトコルと異なる場合でも合理的な結果が得られる。
制御・再現可能なフェデレート学習実験であるFedBrewについて紹介する。
- 参考スコア(独自算出の注目度): 6.001574550157585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning experiments can produce reasonable-looking results even when the experiment implementation differs from the intended experimental protocol. Small errors in configuration, data partitioning, aggregation, randomness, evaluation, or checkpoint recovery may therefore affect a comparison without causing the program to fail. We present FedBrew, a research codebase for controlled and reproducible federated learning experiments. Its focus is controlled simulation with checks of specified conditions of the intended experimental protocol. FedBrew uses configuration checks, identifiable client data partitions, checkpoint recovery checks, self-describing run records, and development-time checks of scientific conditions. These checks assess, for example, whether client partitions are disjoint and exhaustive and aggregation weights match the prescribed rule; numerical and recovery checks examine non-finite client model states and interrupted runs. The same structure also provides clear extension points and automated checks for new algorithms, datasets, models, and tasks, whether they are added by researchers or AI coding agents. FedBrew therefore supports reproducible and inspectable FL experiments through checks of specified software and scientific conditions and the run records associated with reported results.
- Abstract(参考訳): フェデレートされた学習実験は、実験実装が意図した実験プロトコルと異なる場合でも合理的な結果が得られる。
構成、データのパーティショニング、アグリゲーション、ランダム性、評価、チェックポイントリカバリなどの小さなエラーは、プログラムを失敗させることなく比較に影響する可能性がある。
制御および再現可能なフェデレート学習実験のための研究コードベースであるFedBrewを紹介する。
その焦点は、意図した実験プロトコルの特定の条件のチェックで制御されたシミュレーションである。
FedBrewでは、設定チェック、識別可能なクライアントデータパーティション、チェックポイントリカバリチェック、自己記述型実行レコード、科学的条件の開発時間チェックを使用している。
これらのチェックは、例えば、クライアントパーティションが不一致で、網羅的で、アグリゲーションウェイトが所定のルールと一致しているかを評価する。
同じ構造は、研究者またはAIコーディングエージェントによって追加されるかにかかわらず、新しいアルゴリズム、データセット、モデル、タスクの明確な拡張ポイントと自動チェックも提供する。
したがって、FedBrewは、特定のソフトウェアと科学条件のチェックと、報告された結果に関連する実行記録を通じて、再現可能で検査可能なFL実験をサポートする。
関連論文リスト
- VeriCUA: Verification as Agentic Exploration for Computer-Using Agents [95.35011917414766]
コンピュータ利用エージェントの構築とスケーリングには、信頼性の高いタスク補完検証が必要である。
エージェント探索による検証のためのプラットフォームに依存しないフレームワークであるVeriCUAを提案する。
論文 参考訳(メタデータ) (2026-10-29T17:45:26Z) - DAGLoop: Aligning Method Design with Experimental Feedback in Automated AI Research [57.35979895107533]
DAGLoopは、設計決定の期待される効果をテストすることを目的としており、その決定と実装を比較している。
結果は、構造化された研究メモリを形成するためのテストされた決定、期待、条件で記録される。
論文 参考訳(メタデータ) (2026-10-18T07:53:55Z) - Test-Driven Approaches to Software Engineering with Large Language Models: A Survey of Phases, Tasks, and Agent Skills [14.44743150931186]
テストは、大規模言語モデルとソフトウェアエンジニアリングエージェントによる決定にますます参加します。
意図された振る舞い、プログラムの構築と修復のガイド、候補の選択、制約変換、ソフトウェア分析の実行証拠を提供する。
これらは、テスト駆動開発における描画を使用するが、テスト順序、オラクル可用性、編集可能なアーティファクト、実行の役割は大きく異なる。
論文 参考訳(メタデータ) (2026-09-10T06:20:22Z) - Human-agent discovery of reconfigurable in-plane ferroelectric superdomain control [2.9668027142208597]
Scanning Probe Agentic Research Cycle (SPARC) フレームワークを導入し、コーディングエージェントとヒューマンオペレータが1つの顕微鏡、1つのノートブック、2つの永続メモリファイルを共有する。
(111)配向PbZr0.2TiO0.83膜の面内超磁区方向を再構成する。
オペレーターが監督するキャンペーンにおいて、エージェントは以前の手動測定を再度分析し、極性の交互な定常バイアスパルスの配向格子を開発し、スーパードメイン方向を再構成した。
その後のエージェント制御キャンペーンでは、PITFALLS.mdエントリが設計を検証するチェックにコンパイルされた。
論文 参考訳(メタデータ) (2026-09-07T00:20:54Z) - Beyond the Text: Verifying That Agent-Written Papers Are Backed by Their Artifacts [26.308177189331516]
本稿では,エージェント生成研究文書とその関連リポジトリ間の一貫性を評価するためのフレームワークReAgentを提案する。
ReAgentは研究文書から科学的クレームの構造的表現を構築し、それをリポジトリ分析と証拠収集のガイドに利用する。
実験結果から,ReAgentは報告された研究結果と支援されたリポジトリ証拠の矛盾を効果的に識別することを示した。
論文 参考訳(メタデータ) (2026-08-18T09:34:30Z) - PaperAudit-Bench: Benchmarking Error Detection in Research Papers for Critical Automated Peer Review [54.141490756509306]
本稿では、エラーデータセットであるPaperAudit-Datasetと、自動レビューフレームワークであるPaperAudit-Reviewの2つのコンポーネントからなるPaperAudit-Benchを紹介する。
PaperAudit-Benchの実験では、モデルと検出深さの誤差検出可能性に大きなばらつきが示された。
本研究では,SFTおよびRLによる軽量LLM検出器のトレーニングをサポートし,計算コストの削減による効率的な誤り検出を実現する。
論文 参考訳(メタデータ) (2026-01-07T04:26:12Z) - A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。
最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。
そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
論文 参考訳(メタデータ) (2025-06-10T12:41:26Z) - Internal Incoherency Scores for Constraint-based Causal Discovery Algorithms [12.524536193679124]
仮説違反や有限サンプル誤りの検証が可能な内部コヒーレンシスコアを提案する。
シミュレーションおよび実世界のデータセットを用いて,PCアルゴリズムにおけるコヒーレンシースコアについて述べる。
論文 参考訳(メタデータ) (2025-02-20T16:44:54Z) - Sequential Kernelized Independence Testing [77.237958592189]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳(メタデータ) (2022-12-14T18:08:42Z) - Model-Free Sequential Testing for Conditional Independence via Testing
by Betting [8.293345261434943]
提案されたテストでは、任意の依存関係構造を持つ入ってくるi.d.データストリームを分析できる。
重要な結果が検出されれば,オンライン上でのデータポイントの処理を可能とし,データ取得を停止する。
論文 参考訳(メタデータ) (2022-10-01T20:05:33Z)
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。