フェデレーテッドラーニング/深度推定2026/8/2arXiv:2608.01129

FeDepth: ロボットの異種性を考慮した深度推定のためのフェデレーテッドラーニング

FeDepth: Federated Learning for Depth Estimation under Robot Heterogeneity

ロボットの異種環境下での深度推定において、クライアント間の連続的で曖昧なドメイン遷移を捉えるソフトクラスタリングを用いたフェデレーテッドラーニング手法を提案し、既存手法より堅牢性を向上させた。

詳しい要約

1. どんなもの？

FeDepthは、ロボットの異種性（heterogeneity）下での深度推定（depth estimation）のためのフェデレーテッドラーニング（FL）フレームワークである。実ロボット展開では、プラットフォーム、環境、センシング条件が重複し、クライアントのデータ分布が明確に分離できないことに着目し、従来のクラスタ型FLの前提を緩和する。具体的には、プラットフォーム、環境、深度分布の観点で現実的な非IIDシナリオを導入し、クライアント関係をソフトクラスタリングでモデル化する。これにより、ロボット環境で一般的な連続的で曖昧なドメイン遷移を捉える。

2. 先行研究と比べてどこがすごい？

従来のFLは、クライアント間のドメインシフト（domain shift）により性能が著しく低下する。また、クラスタ型FL（clustered FL）はクライアントが明確に分離可能なドメインに属するという仮定に依存するが、実ロボット環境ではデータ分布が重複するため、この仮定が崩れる。FeDepthは、このギャップに対処するため、ハードクラスタリングではなくソフトクラスタリングを導入し、クライアントが複数のクラスタに参加できるようにした点が新しい。さらに、ロボット知覚、特に深度推定において、プラットフォーム、環境、深度分布の異種性を反映した未探索の非IIDシナリオを提示している。

3. 技術・手法の肝は？

FeDepthは、記述子ベースのクラスタ型FLフレームワークである。クライアント関係をソフトクラスタリングでモデル化し、各クライアントが複数のクラスタに重み付きで所属することを許す。これにより、連続的で曖昧なドメイン遷移を表現する。具体的なアルゴリズムの詳細は要旨からは不明だが、クラスタリングのための記述子（descriptor）を用い、クライアントのモデル更新やデータ特性に基づいてクラスタへの所属度を計算するものと推測される。また、プラットフォーム、環境、深度分布の異種性を反映した2つの現実的な非IIDシナリオを定義している。

4. どうやって有効だと検証した？

複数の深度推定アーキテクチャにわたって、標準FLおよびクラスタ型FLのベースラインと比較し、FeDepthが一貫してロバスト性を向上させることを大規模な実験で実証した。具体的なデータセットや評価指標は要旨からは不明だが、提案する非IIDシナリオ下での性能改善を確認している。

5. 議論はある？

要旨からは、FeDepthがソフトクラスタリングにより連続的なドメイン遷移を捉える利点が示唆されるが、クラスタ数の決定方法や、ソフトクラスタリングの計算コスト、実際のロボット展開での通信効率などに関する議論は明示されていない。また、提案する非IIDシナリオがどの程度現実を反映しているか、他のタスクへの一般化可能性についても要旨からは不明である。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、Federated Learning (FL) の基礎、clustered FL、およびロボット知覚における集中学習の手法が挙げられる。具体的には、McMahan et al.のFedAvg、Ghosh et al.のIFCAなどのクラスタ型FL、および深度推定のための代表的なアーキテクチャ（例：Monodepth2）が関連する。次に読むべき論文としては、これらの基礎論文や、FLにおけるドメインシフトへの対処法（例：FedBN, FedProx）が考えられる。

※ 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: Ganghyeon Lee, Inha Lee, Junhee Lee, Jeongeon Lee, Sung Whan Yoon, Kyungdon Joo

分類: cs.RO, cs.CV

原文アブストラクト

Although recent robot perception research emphasizes training on data from diverse environments to improve generalization, most existing methods still rely on centralized learning, which is inefficient and difficult to scale across heterogeneous robot platforms. Federated learning (FL) offers an alternative by enabling distributed training without raw data transfer, but it suffers from severe performance degradation under domain shifts caused by heterogeneity across clients. In real robotic deployments, data distributions often overlap across platforms, environments, and sensing conditions, making it difficult to partition clients into clearly separated domains. However, this characteristic breaks the assumption of clearly separable client domains commonly used in clustered FL. To address this gap in robot perception, particularly in depth estimation, we introduce two realistic and unexplored non-IID scenarios that reflect heterogeneity in terms of platform, environment, and depth distribution. We then propose FeDepth, a descriptor-based clustered FL framework that models client relationships through soft clustering. Unlike hard clustering methods that assume clearly separated clusters, FeDepth allows clients to participate in multiple clusters, capturing continuous and ambiguous domain transitions commonly observed in robotic environments. Extensive experiments demonstrate that FeDepth consistently improves robustness over standard FL and clustered FL baselines across multiple depth estimation architectures, providing a practical and effective solution for federated robot perception. Our project page is available at https://vision3d-lab.github.io/fedepth/.

arXivで原文を読む →arXiv概要ページ

← 論文一覧