連合学習/3D知覚2026/10/1arXiv:2610.01510

FedCKA: 表現類似度に基づく層別パーソナライズによる走行領域横断の連合3D知覚

FedCKA: Representation-Guided Layer Personalization for Federated 3D Perception Across Driving Domains

連合学習で3D物体検出器を学習する際、クライアント間の層ごとの特徴類似度(CKA)を計算し、類似した層だけを共有・集約することで、環境ごとのデータ分布の違いに柔軟に対応する手法を提案した。

詳しい要約

1. どんなもの？

- 自動運転向け3D物体検出を対象に、時刻・場所・天候などのdomain shift下でも頑健な検出器を協調学習するfederated learning手法。 - 単一のglobal consensus modelではなく、clientごとに層単位でpersonalizationする。 - 提案手法FedCKAはCentered Kernel Alignment (CKA)に基づき、personalizationとglobalizationのトレードオフを動的に扱う。 - nuScenesベースの統一multi-domain benchmarkで評価。

2. 先行研究と比べてどこがすごい？

- 従来のfederated learningは単一のglobal consensus modelに依存し、heterogeneousなlocal data分布への適応が難しい。 - 既存のpersonalization手法は事前定義された層分割や固定のpersonalization比率に依存し、client固有のdivergenceへの適応が制限される。 - FedCKAは層ごとの特徴類似度からclient固有のaggregation maskを生成し、representation-consistentな層のみを選択的に共有する点で柔軟。 - 評価ではFedBN、FedRep、FedSelectなどの確立されたfederated baselineを上回り、最強baseline比で平均NDSを7 percentage points改善。

3. 技術・手法の肝は？

- 学習中にlocal client modelとglobal consensus modelの層ごとの特徴類似度をCKAで計算する。 - 層ごとの類似度スコアをclient固有のaggregation maskに変換する。 - そのmaskによりrepresentation-consistentな層のみを選択的に共有し、personalizationとglobalizationのトレードオフを動的に処理する。 - これにより事前定義の層分割や固定比率を必要としない。

4. どうやって有効だと検証した？

- nuScenesに基づく統一multi-domain benchmarkで評価。 - FedBN、FedRep、FedSelectなどの確立されたfederated baselineと比較。 - 最強baseline比で平均NDSを7 percentage points改善したと報告。 - コードはhttps://github.com/j-verhoog/FedCKAで公開。

5. 議論はある？

- 単一global consensus modelではheterogeneousなlocal data分布への対応が難しいという課題を指摘。 - 既存personalizationの事前定義層分割や固定比率のrigidityを問題視。 - FedCKAはそのrigidityを低減する動的戦略として位置づけられる。 - 限界や失敗ケース、計算コストなどの詳細は要旨からは不明。

6. 次に読むべき論文は？

- FedBN - FedRep - FedSelect - Centered Kernel Alignment (CKA) - nuScenesベースのmulti-domain benchmark

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jolle Verhoog, Ali Burak Ünal, Holger Caesar

分類: cs.CV, cs.RO

原文アブストラクト

Robust perception in intelligent vehicles demands 3D object detectors that remain dependable under domain shifts, such as changes in time of day, location, or weather. However, due to costly annotation and rare shifts, some environments lack sufficient data to train a standalone detector. Federated learning offers a privacy-preserving framework for collaborative model training, enabling clients to benefit from shared learning across diverse environments. Yet, this framework traditionally relies on a single global consensus model, which struggles to perform across heterogeneous local data distributions. Local conditions are better captured by adapting a subset of the model, but many personalization approaches rely on predefined layer partitions or fixed personalization ratios, thereby limiting adaptation to client-specific divergence. To reduce this rigidity, we propose FedCKA, a Centered Kernel Alignment (CKA)-based strategy that dynamically handles the personalization-globalization trade-off. Specifically, FedCKA computes layer-wise feature similarities between local client models and the global consensus model during training. By converting layer-wise similarity scores into client-specific aggregation masks, FedCKA selectively shares representation-consistent layers. Evaluation on a unified multi-domain benchmark based on nuScenes shows that FedCKA outperforms established federated baselines, including FedBN, FedRep, and FedSelect, improving average NDS by 7 percentage points over the strongest baseline. The findings offer both a comparative benchmark and a promising direction for robust federated 3D perception across shifts in location, weather, and illumination. Code is available at https://github.com/j-verhoog/FedCKA.

arXivで原文を読む →arXiv概要ページ

← 論文一覧