FedHarmony：連合型マルチラベル学習における異種ラベル相関の調和
arXiv cs.LG / 2026/5/1
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- この論文は、クライアントごとに異種のラベル分布を持つ連合型マルチラベル学習を対象に、「ラベル相関ドリフト」という新たな課題を提示しています。
- FedHarmonyは「コンセンサス相関」を用い、他クライアント間の合意をグローバルな教師として、各クライアントの偏った相関推定を補正します。
- 連合学習の集約では、各クライアントの重みをデータ量と学習したラベル相関の品質の両方で評価し、異種性下での頑健性を高めることを狙っています。
- 著者らは加速最適化手法を提案し、精度を損なわずにより速い収束を理論的に示しています。
- 実世界の連合型マルチラベルデータセットでの実験では、FedHarmonyが既存の最先端手法に対して一貫して優れていることが示されています。
