スパース性のためのL0制約付き連合学習

Research Paper#Federated Learning, Sparsity, L0 Constraint, Probabilistic Gates🔬 Research|分析: 2026年1月3日 19:16•
公開: 2025年12月28日 20:33
•
1分で読める
•ArXiv

分析

この論文は、データとモデルに内在するスパース性、特に異種条件下での連合学習（FL）におけるモデル密度と一般化能力の低さの問題に対処しています。確率的ゲートとその連続緩和を使用して、モデルの非ゼロパラメータにL0制約を課す新しいアプローチを提案しています。この方法は、パラメータの目標密度（rho）を達成し、FLにおける通信効率と統計的性能を向上させることを目指しています。
引用・出典
原文を見る
"The paper demonstrates that the target density (rho) of parameters can be achieved in FL, under data and client participation heterogeneity, with minimal loss in statistical performance."
A
ArXiv2025年12月28日 20:33
* 著作権法第32条に基づく適法な引用です。
古い記事

Thermodynamically Consistent Vibrational-Electron Heating: Generalized Model for Multi-Quantum Transitions

新しい記事

FLEX-MoE: Federated Mixture-of-Experts with Load-balanced Expert Assignment

関連分析

Research Paper

SpaceTimePilot：空間と時間の制御による生成ビデオレンダリング

2026年1月3日 06:10

Research Paper

量子カオスハミルトニアン進化におけるランダム性生成

2026年1月3日 06:10

Research Paper

GaMO：幾何学認識拡散を用いた疎視点3D再構成

2026年1月3日 06:32

原文: ArXiv