Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

MMiC: Mitigating Modality Incompleteness in Clustered Federated Learning

Created by
  • Haebom

作者

Lishan Yang, Wei Emma Zhang, Quan Z. Sheng, Lina Yao, Weitong Chen, Ali Shakeri

概要

本論文は、多様なモダリティを持つデータを使用する分散学習方法である多モーダル連合学習(MFL)におけるモダリティ欠落問題を解決するための新しいフレームワークMMiCを提案する。 MMiCは、クラスタ内のクライアントモデルの部分パラメータに代わってモダリティの欠如の影響を軽減し、Banzhaf Power Indexを使用してクライアントの選択を最適化し、Markovitz Portfolio Optimizationを使用してグローバル集約を動的に制御します。実験の結果、MMiCは、モダリティが欠落している多モーダルデータセットの既存の連合学習アーキテクチャよりも、グローバルおよびパーソナライズされたパフォーマンスの両方で優れたパフォーマンスを示しました。

Takeaways、Limitations

Takeaways:
ダモダル連合学習におけるモダリティの欠落の問題を効果的に解決する新しいフレームワークMMiCの提示
Banzhaf Power IndexとMarkovitz Portfolio Optimizationを活用したクライアント選択とグローバル集約最適化
モダリティが欠落しているダモダルデータセットで、従来の方法よりもパフォーマンスが向上しました。
公開されたコードを通じて再現性と利用性を確保します。
Limitations:
提案された方法のパフォーマンスが特定のデータセットと設定に依存する可能性。
さまざまなモダリティタイプと欠落パターンの一般化性能評価が必要
実際の応用環境におけるスケーラビリティと効率性に関するさらなる研究の必要性
👍