論文の概要: Latency Optimization for Wireless Federated Learning in Multihop Networks

• arxiv url: http://arxiv.org/abs/2506.12081v1
• Date: Sun, 08 Jun 2025 19:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:45.083119
• Title: Latency Optimization for Wireless Federated Learning in Multihop Networks
• Title（参考訳）: マルチホップネットワークにおける無線フェデレーション学習のレイテンシ最適化
• Authors: Shaba Shaon, Van-Dinh Nguyen, Dinh C. Nguyen,
• Abstract要約: マルチホップネットワーク上での無線フェデレーション学習(FL)における新しいレイテンシ問題について検討する。 葉ノードとリレーノードの連成最適化により,システム遅延の最小化を目的とした最適化問題を定式化する。 我々は、無線マルチホップPAFLシステムにおいて、69.37%の遅延の大幅な削減を観測した。
• 参考スコア（独自算出の注目度）: 6.99011091188975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we study a novel latency minimization problem in wireless federated learning (FL) across multi-hop networks. The system comprises multiple routes, each integrating leaf and relay nodes for FL model training. We explore a personalized learning and adaptive aggregation-aware FL (PAFL) framework that effectively addresses data heterogeneity across participating nodes by harmonizing individual and collective learning objectives. We formulate an optimization problem aimed at minimizing system latency through the joint optimization of leaf and relay nodes, as well as relay routing indicator. We also incorporate an additional energy harvesting scheme for the relay nodes to help with their relay tasks. This formulation presents a computationally demanding challenge, and thus we develop a simple yet efficient algorithm based on block coordinate descent and successive convex approximation (SCA) techniques. Simulation results illustrate the efficacy of our proposed joint optimization approach for leaf and relay nodes with relay routing indicator. We observe significant latency savings in the wireless multi-hop PAFL system, with reductions of up to 69.37% compared to schemes optimizing only one node type, traditional greedy algorithm, and scheme without relay routing indicator.
• Abstract（参考訳）: 本稿では,マルチホップネットワーク上での無線フェデレーション学習(FL)における遅延最小化問題について検討する。 このシステムは複数のルートから構成されており、それぞれがFLモデルのトレーニングのために葉とリレーノードを統合する。 本研究では,個々の学習目標と集合学習目標を調和させることにより,参加ノード間のデータの均一性を効果的に処理する,パーソナライズドラーニングおよび適応アグリゲーション対応FL(PAFL)フレームワークについて検討する。 葉ノードとリレーノードの連成最適化とリレールーティングインジケータによるシステム遅延の最小化を目的とした最適化問題を定式化する。 また、リレーノードがリレータスクを支援するために、追加のエネルギ回収スキームを組み込んだ。 この定式化は計算に要求される課題を示し、ブロック座標の降下と連続凸近似(SCA)技術に基づく単純で効率的なアルゴリズムを開発する。 シミュレーションの結果,リレールーティングインジケータを用いた葉ノードとリレーノードの協調最適化手法の有効性が示唆された。 無線マルチホップPAFLシステムにおいて,1つのノードタイプ,従来のグリードアルゴリズム,リレールーティングインジケータのないスキームに対して,最大69.37%の遅延削減を実現した。

関連論文リスト

• Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
  Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。 本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。 提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
  論文  参考訳（メタデータ） (2023-05-15T22:04:49Z)
• Gradient Sparsification for Efficient Wireless Federated Learning with Differential Privacy [25.763777765222358]
  フェデレートラーニング(FL)により、分散クライアントは、生データを互いに共有することなく、機械学習モデルを協調的にトレーニングできる。 モデルのサイズが大きくなるにつれて、送信帯域の制限によるトレーニングのレイテンシが低下し、個人情報が劣化すると同時に、差分プライバシ(DP)保護を使用する。 我々は、収束性能を犠牲にすることなく、トレーニング効率を向上させるために、FLフレームワーク無線チャネルのスペース化を提案する。
  論文  参考訳（メタデータ） (2023-04-09T05:21:15Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• Relay-Assisted Cooperative Federated Learning [10.05493937334448]
  オーバー・ザ・エアの計算により、モバイルデバイスはローカルモデルを同時にアップロードできる。 無線チャネルの消失により、エッジサーバにおけるモデル集約誤差は、すべてのデバイスの中で最も弱いチャネルに支配される。 本稿では,トラグラー問題に効果的に対処するリレー支援型協調型FL方式を提案する。
  論文  参考訳（メタデータ） (2021-07-20T14:06:19Z)

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。