論文の概要: Sparse Self-Federated Learning for Energy Efficient Cooperative Intelligence in Society 5.0

• arxiv url: http://arxiv.org/abs/2507.07613v1
• Date: Thu, 10 Jul 2025 10:32:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.357741
• Title: Sparse Self-Federated Learning for Energy Efficient Cooperative Intelligence in Society 5.0
• Title（参考訳）: 社会5.0におけるエネルギー効率の良い協調知能のためのスパース自己フェデレーション学習
• Authors: Davide Domini, Laura Erhan, Gianluca Aguzzi, Lucia Cavallaro, Amirhossein Douzandeh Zenoozi, Antonio Liotta, Mirko Viroli,
• Abstract要約: Federated Learningは、プライバシを保存するコラボレーティブインテリジェンスを提供するが、新興IoTエコシステムの持続可能性要求を満たすのに苦労している。 Sparse Proximity-based Self-Federated Learning (SParSeFuL)は、自己組織化のための集約コンピューティングとニューラルネットワークのスパーシフィケーションを組み合わせて、エネルギーと帯域幅の消費を減らすことで、このギャップを埋めるリソース認識アプローチである。
• 参考スコア（独自算出の注目度）: 0.9475824648035603
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Federated Learning offers privacy-preserving collaborative intelligence but struggles to meet the sustainability demands of emerging IoT ecosystems necessary for Society 5.0-a human-centered technological future balancing social advancement with environmental responsibility. The excessive communication bandwidth and computational resources required by traditional FL approaches make them environmentally unsustainable at scale, creating a fundamental conflict with green AI principles as billions of resource-constrained devices attempt to participate. To this end, we introduce Sparse Proximity-based Self-Federated Learning (SParSeFuL), a resource-aware approach that bridges this gap by combining aggregate computing for self-organization with neural network sparsification to reduce energy and bandwidth consumption.
• Abstract（参考訳）: フェデレートラーニング(Federated Learning)は、プライバシ保護のためのコラボレーティブインテリジェンスを提供するが、Society 5.0に必要な新興IoTエコシステムの持続可能性要求を満たすのに苦労している。 従来のFLアプローチで要求される過剰な通信帯域幅と計算資源は、環境的に持続不可能であり、何十億ものリソース制約されたデバイスが参加しようとする中で、グリーンAIの原則と根本的な対立を生んでいる。 この目的のために、Sparse Proximity-based Self-Federated Learning (SParSeFuL)を導入する。これは、自己組織化のための集約コンピューティングとニューラルネットワークのスパーシフィケーションを組み合わせ、エネルギーと帯域幅の消費を減らすことで、このギャップを橋渡しするリソース意識のアプローチである。

関連論文リスト

• Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
  リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。 SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。 これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
  論文  参考訳（メタデータ） (2025-01-20T15:52:43Z)
• A Comprehensive Survey on Joint Resource Allocation Strategies in Federated Edge Learning [9.806901443019008]
  Federated Edge Learning (FEL)は、分散環境でのモデルトレーニングを可能にすると同時に、ユーザデータの物理的分離を利用することで、ユーザのプライバシを確保する。 IoT(Internet of Things)やSmart Earthといった複雑なアプリケーションシナリオの開発により、従来のリソース割り当てスキームは、これらの増大する計算および通信要求を効果的にサポートすることができなくなった。 本稿では,複数の資源需要が増大する中で,計算と通信の多面的課題を体系的に解決する。
  論文  参考訳（メタデータ） (2024-10-10T13:02:00Z)
• Harnessing Federated Generative Learning for Green and Sustainable Internet of Things [9.699977999019977]
  One-shot Federated Learning (OSFL)は、IoTエコシステム内の持続可能性と機械学習を調和させる革新的なパラダイムである。 OSFLは、複数の反復的なコミュニケーションラウンドをひとつの操作にまとめることで、従来のフェデレートラーニング(FL)ワークフローに革命をもたらす。 私たちの研究は、エネルギー効率のよいスマートシティや画期的なヘルスケアソリューションといった領域にまたがるIoTアプリケーションの景観を再構築する、OSFLの変革的な可能性を強調しています。
  論文  参考訳（メタデータ） (2024-04-30T17:15:26Z)
• Green Edge AI: A Contemporary Survey [46.11332733210337]
  AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。 ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。 その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
  論文  参考訳（メタデータ） (2023-12-01T04:04:37Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• A Safe Deep Reinforcement Learning Approach for Energy Efficient Federated Learning in Wireless Communication Networks [37.71759652012053]
  Federated Learning(FL)は、分散AI技術を保存する重要なプライバシとして登場した。 現在FLで行われている努力にもかかわらず、その環境への影響は依然として未解決の問題である。 本稿では,必要な総エネルギーを最小化するために,関連機器の計算・通信資源のオーケストレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-21T12:02:54Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)

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。