論文の概要: Conflict, Feasibility, Faithfulness, Displacement: Four Quantities That Come Apart in Federated Dual-Cone Aggregation
- arxiv url: http://arxiv.org/abs/2611.18014v1
- Date: Fri, 13 Nov 2026 10:41:35 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:25:55.553053
- Title: Conflict, Feasibility, Faithfulness, Displacement: Four Quantities That Come Apart in Federated Dual-Cone Aggregation
- Title(参考訳): 対立、実現可能性、信条、転落:2人組の団結に一部となる4つの量
- Abstract要約: FedFV、FedGH、FedMGDA+の集約されたクライアント更新は、多目的の勾配アグリゲータによってそれらの間の衝突を取り除く。
この理論をUPGradグラデーションを用いて検討し、クライアントの損失を1次に増やさない。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: FedFV, FedGH and FedMGDA+ aggregate client updates with multi-objective gradient aggregators to remove conflict between them. We examine this rationale with UPGrad, which increases no client's loss to first order, in a comparison that changes only the direction of FedAvg's update. Four quantities the rationale treats as one -- conflict between client updates, feasibility of their weighted mean, faithfulness of the transmitted updates to the clients' gradients, and displacement of the update -- come apart. Under Dirichlet partitioning UPGrad improves CIFAR-10 accuracy by +0.78 pp (14/15 seeds, p < 0.001), only with full participation; on Oxford-IIIT Pet its +0.52 pp gain vanishes (+0.07 pp) once the data our protocol left unused are kept. Varying only the Dirichlet concentration, the gain grows with heterogeneity, yet the split with the most conflict shows none. Uniform client weights, blind to conflict, match the CIFAR-10 gain and exceed the Pets gain; a matched random rotation does neither. No fairness effect survives multiplicity correction, and on CIFAR-10 the guarantee does not reach the clients' gradients. We state what evaluations should report.
- Abstract(参考訳): FedFV、FedGH、FedMGDA+はクライアントのアップデートを集約し、多目的の勾配アグリゲータでそれらの間の衝突を取り除く。
我々は,この論理を,FedAvg更新の方向だけを変えるようなクライアントの損失を1次に増やさないUPGradと検討する。
4つの量 – クライアント更新の競合、重み付けされた平均の実現性、送信されたクライアントの勾配へのアップデートの忠実性、更新の変位 – が分離される。
ディリクレ分割の下では、UPGradはCIFAR-10の精度を+0.78 pp (14/15 seed, p < 0.001) 向上させるが、完全な参加はできない。
ディリクレ濃度のみを変動させることで、ゲインは不均一性とともに増大するが、最も対立する部分の分裂は示さない。
CIFAR-10ゲインと一致し、Petsゲインを上回り、一致したランダムなローテーションも一致しない。
公正性効果は多重度補正に残らず、CIFAR-10では保証がクライアントの勾配に達しない。
どの評価を報告すべきかを述べます。
関連論文リスト
- CORD: Conflict-Aware Optimization for Joint RL and Distillation in Agents [53.94288875093263]
CORDは、2つの目的の競合認識最適化のためのフレームワークである。
プロジェクションをトリガーする条件から保護対象の選択を分離し、ミニバッチ毎にグラデーションを結合する。
勾配結合機構として、CORDは目的を維持しつつ、異なるジョイントトレーニングレシピに追加することができる。
論文 参考訳(メタデータ) (2026-10-21T16:19:22Z) - FedGraph: Defending Federated Large Language Model Fine-Tuning Against Backdoor Attacks via Graph-Based Aggregation [45.2397392757212]
大きな言語モデル(LLM)のフェデレートされた微調整により、複数のクライアントが生データを共有せずにモデルに協調的に適応することが可能になり、強力なプライバシー上のメリットを提供する。
この設定はバックドア攻撃に対して非常に脆弱で、悪意のあるクライアントが自身の更新を操作してターゲットの動作を誘導する。
クライアント更新間の関係を明示的にモデル化するグラフベースの集約フレームワークであるFedGraphを提案する。
論文 参考訳(メタデータ) (2026-10-13T14:08:49Z) - 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) - CorrGRPO: Correlation-Normalized GRPO for Multi-Reward Learning [50.78598181844571]
グループ相対ポリシー最適化は、同じプロンプトのロールアウトにまたがる報酬の集中と正規化によって、利点を計算します。
ピアソン相関係数に対の共分散を正規化する相関正規化GRPOを提案する。
これにより、大きな報酬成分に支配される正規化を伴わずに、有利な大きさで報酬相関に適応することができる。
論文 参考訳(メタデータ) (2026-09-29T06:30:02Z) - SWB-DM: A Calibrated Sliced-Wasserstein-Barycenter Aggregator with Delayed-Momentum Caching for Byzantine-Robust Federated Learning under Partial Participation [0.0]
SWB-DMは、クライアント更新の各スライスを1次元分布として扱い、クライアント間でトリミングされたワッサースタインバリセンタを計算し、メドイドベースのゲージ固定ステップを介して座標IDを復元する。
CIFAR-100、FEMNIST、500サイクルのスケーラビリティを備えた448 CIFAR-10構成のメカニカルな障害モードがいくつか存在する。
論文 参考訳(メタデータ) (2026-09-14T16:30:18Z) - FedRAW: Preserving Rare-Label Influence in Asynchronous Federated Learning [4.505139805778447]
非同期フェデレーション学習は、クライアントが到着するたびにサーバ側のバッファからグローバルモデルを更新することで、スケーラビリティを向上させる。
我々は、希少なラベルを持つクライアントがグローバルモデルにあまりにも弱い貢献をする、秘密の障害モードであるサイレントラリティ障害を識別する。
ローカルトレーニングやクライアントの目的,通信プロトコルを変更することなく,レアラベルの影響を抑えるためのサーバ側アグリゲーション手法であるFedRAWを提案する。
論文 参考訳(メタデータ) (2026-09-07T08:17:51Z) - FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。
重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。
本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
論文 参考訳(メタデータ) (2026-05-11T07:04:51Z) - FedEMA-Distill: Exponential Moving Average Guided Knowledge Distillation for Robust Federated Learning [1.1393603788068776]
フェデレーテッド・ラーニング(FL)は、クライアントが不均一な非独立性(non-Independent)およびIdentically Distributed(non-IID)データを保持すると、しばしば劣化する。
本稿では,グローバルモデルの指数移動平均(EMA)とクライアント負荷予測ロジットからのアンサンブル知識蒸留を組み合わせたサーバサイドプロシージャであるFedEMA-Distillを提案する。
論文 参考訳(メタデータ) (2026-02-15T01:40:45Z) - FedStale: leveraging stale client updates in federated learning [10.850101961203748]
フェデレーション学習アルゴリズムは、データの不均一性と部分的クライアント参加によって負の影響を受けます。
本稿は,一部のクライアントが他のクライアントよりもはるかに少ない場合,安定したレベルの更新を集約することで,トレーニングプロセスに有害な影響を与えることを示す。
私たちはFedStaleを紹介します。これは、参加するクライアントからの"フレッシュ"アップデートと、参加していないクライアントからの"ステア"アップデートの凸組み合わせによって、各ラウンドのグローバルモデルを更新する新しいアルゴリズムです。
論文 参考訳(メタデータ) (2024-05-07T10:11:42Z) - Towards Bidirectional Protection in Federated Learning [70.36925233356335]
F2ED-LEARNINGは、悪意のある集中型サーバとビザンティンの悪意のあるクライアントに対して双方向の防御を提供する。
F2ED-LEARNINGは各シャードの更新を安全に集約し、異なるシャードからの更新に対してFilterL2を起動する。
評価の結果,F2ED-LEARNing は最適あるいは最適に近い性能が得られることがわかった。
論文 参考訳(メタデータ) (2020-10-02T19:37:02Z) - Distributed Non-Convex Optimization with Sublinear Speedup under
Intermittent Client Availability [46.85205907718874]
フェデレーション学習は新しい機械学習フレームワークで、多くのクライアントがトレーニングデータを共有することなく、協力的にモデルをトレーニングする。
本研究では,間欠的なモバイル環境におけるフェデレーション学習の実践と課題について考察する。
我々はFedLaAvg(略してFedLaAvg)と呼ばれる単純な分散非線形最適化アルゴリズムを提案する。
我々の理論的解析は、FedLaAvgが$(E1/2/(NT1/2)$の収束率に達し、クライアントの総数に対してサブ線形速度を達成することを示している。
論文 参考訳(メタデータ) (2020-02-18T06:32:18Z)
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。