FedSIR：ノイズのあるラベルを持つフェデレーテッドラーニングにおけるスペクトルベースのクライアント識別とリラベリング
arXiv cs.LG / 2026/4/23
📰 ニュースModels & Research
要点
- FedSIRは、分散したクライアント間でノイズのあるラベルが存在する状況を想定した、頑健なフェデレーテッドラーニング（FL）向けのマルチステージ手法を提案している。
- 既存手法がノイズ耐性のある損失関数や学習ダイナミクスの活用に主に依存するのに対し、FedSIRはクライアントの特徴表現のスペクトル構造を解析して、クリーンなクライアントとノイズのあるクライアントを識別する。
- クリーンなクライアントをスペクトル参照として用い、ノイズのあるクライアントでは支配的なクラス方向と残差部分空間を組み合わせて、汚染の可能性があるサンプルをリラベリングする。
- さらに、logit-adjusted loss、知識蒸留、距離を考慮した集約を組み合わせたノイズ対応の学習戦略で、フェデレーテッド最適化を安定化させる。
- 標準的なFLベンチマークでの実験により、FedSIRはノイズラベル付きFLにおいて既存の最先端手法を一貫して上回り、コードはGitHubで公開されている。
