論文の概要: HASFL: Heterogeneity-aware Split Federated Learning over Edge Computing Systems

• arxiv url: http://arxiv.org/abs/2506.08426v1
• Date: Tue, 10 Jun 2025 04:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.45351
• Title: HASFL: Heterogeneity-aware Split Federated Learning over Edge Computing Systems
• Title（参考訳）: HASFL:エッジコンピューティングシステム上での異種性を考慮した分散学習
• Authors: Zheng Lin, Zhe Chen, Xianhao Chen, Wei Ni, Yue Gao,
• Abstract要約: エッジデバイス上で機械学習(ML)を民主化するための、有望なパラダイムとして、SFL(Split Federated Learning)が登場した。 既存のSFLアプローチは、エッジデバイスの不均一な機能のため、ストラグラー効果にかなり悩まされる。 本稿では,エッジデバイスのバッチサイズ (BS) とモデル分割 (MS) を適応的に制御し,資源の不均一性を克服する手法を提案する。
• 参考スコア（独自算出の注目度）: 28.707397274779318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Split federated learning (SFL) has emerged as a promising paradigm to democratize machine learning (ML) on edge devices by enabling layer-wise model partitioning. However, existing SFL approaches suffer significantly from the straggler effect due to the heterogeneous capabilities of edge devices. To address the fundamental challenge, we propose adaptively controlling batch sizes (BSs) and model splitting (MS) for edge devices to overcome resource heterogeneity. We first derive a tight convergence bound of SFL that quantifies the impact of varied BSs and MS on learning performance. Based on the convergence bound, we propose HASFL, a heterogeneity-aware SFL framework capable of adaptively controlling BS and MS to balance communication-computing latency and training convergence in heterogeneous edge networks. Extensive experiments with various datasets validate the effectiveness of HASFL and demonstrate its superiority over state-of-the-art benchmarks.
• Abstract（参考訳）: Split Federated Learning(SFL)は、レイヤワイドモデルパーティショニングを可能にすることによって、エッジデバイス上の機械学習(ML)を民主化する、有望なパラダイムとして登場した。 しかし、既存のSFLアプローチはエッジデバイスの不均一な機能のためにストラグラー効果にかなり悩まされている。 この課題に対処するために,エッジデバイスにおけるバッチサイズ(BS)とモデル分割(MS)を適応的に制御し,資源の不均一性を克服する手法を提案する。 まず,各種BSとMSの学習性能への影響を定量化するSFLの密収束境界を導出する。 この収束バウンダリに基づいて、異種エッジネットワークにおける通信計算遅延と訓練収束のバランスをとるために、BSとMSを適応的に制御できる異種SFLフレームワークであるHASFLを提案する。 様々なデータセットによる大規模な実験は、HASFLの有効性を検証し、最先端のベンチマークよりも優れていることを示す。

関連論文リスト

• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [83.77114091471822]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLの課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータが相手のジャミングに感受性を持つことである。 これは、言語理解に不可欠である大規模言語モデル(LLM)における単語埋め込みパラメータに対して特に顕著である。 無線ネットワーク上でのLLM(R-SFLLM)を用いたレジリエンスSFLのための物理層フレームワークを開発した。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• AdaptSFL: Adaptive Split Federated Learning in Resource-constrained Edge Networks [15.195798715517315]
  Split Federated Learning(SFL)は、モデルのパーティショニングを通じて、最初のトレーニングワークロードをサーバにfloadする、有望なソリューションである。 本稿では,資源制約付きエッジコンピューティングシステムにおいて,SFLを高速化するための新しいリソース適応型SFLフレームワークであるAdaptSFLを提案する。
  論文  参考訳（メタデータ） (2024-03-19T19:05:24Z)
• MergeSFL: Split Federated Learning with Feature Merging and Batch Size Regulation [27.159538773609917]
  フェデレートラーニング(Federated Learning, FL)は、エッジコンピューティング(EC)システムにおいて、エッジAIが貴重な知識をマイニングするための技術である。 本稿では,機能統合とバッチサイズ制御をSFLに組み込んだ新しいSFLフレームワークMergeSFLを提案する。 我々は,MergeSFLが最終モデルの精度を5.82%から26.22%向上し,ベースラインに比べて約1.74倍から4.14倍のスピードアップが可能であることを示した。
  論文  参考訳（メタデータ） (2023-11-22T12:25:02Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• NeFL: Nested Model Scaling for Federated Learning with System Heterogeneous Clients [44.89061671579694]
  フェデレートラーニング(FL)は、データのプライバシを保ちながら分散トレーニングを可能にするが、ストラグラーのスローあるいは無効なクライアントは、トレーニング時間を大幅に短縮し、パフォーマンスを低下させる。 深層ニューラルネットワークを深層スケールと幅ワイドスケーリングの両方を用いてサブモデルに効率的に分割するフレームワークであるネスト付きフェデレーションラーニング(NeFL)を提案する。 NeFLは、特に最低ケースのサブモデルでは、ベースラインアプローチに比べてパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-08-15T13:29:14Z)
• Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
  フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。 最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。 本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
  論文  参考訳（メタデータ） (2023-03-23T02:42:10Z)
• Hierarchical Personalized Federated Learning Over Massive Mobile Edge Computing Networks [95.39148209543175]
  大規模MECネットワーク上でPFLをデプロイするアルゴリズムである階層型PFL(HPFL)を提案する。 HPFLは、最適帯域割り当てを共同で決定しながら、トレーニング損失最小化とラウンドレイテンシ最小化の目的を組み合わせる。
  論文  参考訳（メタデータ） (2023-03-19T06:00:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。