論文の概要: FedSkipTwin: Digital-Twin-Guided Client Skipping for Communication-Efficient Federated Learning

• arxiv url: http://arxiv.org/abs/2507.13624v1
• Date: Fri, 18 Jul 2025 03:39:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.176717
• Title: FedSkipTwin: Digital-Twin-Guided Client Skipping for Communication-Efficient Federated Learning
• Title（参考訳）: FedSkipTwin: コミュニケーション効率の良いフェデレーションラーニングのためのディジタルツインガイドクライアントスキッピング
• Authors: Daniel Commey, Kamel Abbad, Garth V. Crosby, Lyes Khoukhi,
• Abstract要約: コミュニケーションのオーバーヘッドは、連邦学習(FL)における主要なボトルネックである。 この研究は、軽量でサーバーサイドのデジタルツインによって駆動される新しいクライアントスキッピングアルゴリズムであるFedSkipTwinを紹介する。 UCI-HARおよびMNISTデータセットに対して,非IIDデータ分散下で10クライアントで実験を行った。
• 参考スコア（独自算出の注目度）: 2.209918162717035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Communication overhead remains a primary bottleneck in federated learning (FL), particularly for applications involving mobile and IoT devices with constrained bandwidth. This work introduces FedSkipTwin, a novel client-skipping algorithm driven by lightweight, server-side digital twins. Each twin, implemented as a simple LSTM, observes a client's historical sequence of gradient norms to forecast both the magnitude and the epistemic uncertainty of its next update. The server leverages these predictions, requesting communication only when either value exceeds a predefined threshold; otherwise, it instructs the client to skip the round, thereby saving bandwidth. Experiments are conducted on the UCI-HAR and MNIST datasets with 10 clients under a non-IID data distribution. The results demonstrate that FedSkipTwin reduces total communication by 12-15.5% across 20 rounds while simultaneously improving final model accuracy by up to 0.5 percentage points compared to the standard FedAvg algorithm. These findings establish that prediction-guided skipping is a practical and effective strategy for resource-aware FL in bandwidth-constrained edge environments.
• Abstract（参考訳）: 通信オーバーヘッドは、特に帯域制限のあるモバイルおよびIoTデバイスを含むアプリケーションにおいて、フェデレートドラーニング(FL)において、依然として主要なボトルネックとなっている。 この研究は、軽量でサーバーサイドのデジタルツインによって駆動される新しいクライアントスキッピングアルゴリズムであるFedSkipTwinを紹介する。 各双子は単純なLSTMとして実装され、クライアントの過去の勾配規範を観測し、次の更新の規模と疫学的不確実性の両方を予測する。 サーバはこれらの予測を利用し、どちらかの値が予め定義された閾値を超えた場合にのみ通信を要求する。 UCI-HARおよびMNISTデータセットに対して,非IIDデータ分散下で10クライアントで実験を行った。 その結果、FedSkipTwinは20ラウンドで合計通信量を12～15.5%削減し、FedAvgのアルゴリズムと比較して最終モデルの精度を0.5ポイント改善した。 これらの結果から,帯域制限エッジ環境において,予測誘導スキップが資源認識FLの実用的かつ効果的な戦略であることが確認された。

関連論文リスト

• ACCESS-FL: Agile Communication and Computation for Efficient Secure Aggregation in Stable Federated Learning Networks [26.002975401820887]
  Federated Learning(FL)は、プライバシ対応アプリケーション用に設計された分散学習フレームワークである。 従来のFLは、プレーンモデルのアップデートがサーバに送信されると、機密性の高いクライアントデータを露出するリスクにアプローチする。 GoogleのSecure Aggregation(SecAgg)プロトコルは、二重マスキング技術を使用することで、この脅威に対処する。 通信・計算効率の高いセキュアアグリゲーション手法であるACCESS-FLを提案する。
  論文  参考訳（メタデータ） (2024-09-03T09:03:38Z)
• Communication-Efficient Federated Learning with Adaptive Compression under Dynamic Bandwidth [6.300376113680886]
  フェデレーション学習は、ローカルデータをサーバに直接提供せずにモデルをトレーニングすることができる。 近年の研究者は、主にモデル圧縮により、連合学習のコミュニケーション効率を達成している。 本稿では,AdapComFLアルゴリズムの性能を示し,既存のアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2024-05-06T08:00:43Z)
• Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
  フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。 本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T07:25:21Z)
• FedCode: Communication-Efficient Federated Learning via Transferring Codebooks [3.004066195320147]
  Federated Learning(FL)は、分散機械学習パラダイムで、分散ローカルデータからモデルを学ぶことができる。 既存のアプローチは、これに対処するためにプルーニングや重みクラスタリングのようなモデル圧縮技術に依存している。 我々は、クライアントがコードブックのみを送信するFedCodeを提案する。
  論文  参考訳（メタデータ） (2023-11-15T12:06:32Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• FedCliP: Federated Learning with Client Pruning [3.796320380104124]
  フェデレートラーニング(Federated Learning、FL)は、新たな分散ラーニングパラダイムである。 FLの基本的なボトルネックの1つは、分散クライアントと中央サーバの間の通信オーバーヘッドである。 マクロの観点から,最初の通信効率のよいFLトレーニングフレームワークであるFedCliPを提案する。
  論文  参考訳（メタデータ） (2023-01-17T09:15:37Z)
• ResFed: Communication Efficient Federated Learning by Transmitting Deep Compressed Residuals [24.13593410107805]
  フェデレートラーニングは、学習したローカルモデルパラメータを共有することで、大規模分散クライアント間の協調トレーニングを可能にする。 モデルパラメータではなく残差を訓練用ネットワークに送信する残差ベースフェデレーション学習フレームワーク(ResFed)を導入する。 共通予測ルールを用いることで、ローカルモデルとグローバルモデルの両方が、常にクライアントとサーバで完全に回復可能である。
  論文  参考訳（メタデータ） (2022-12-11T20:34:52Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• Federated Dynamic Sparse Training: Computing Less, Communicating Less, Yet Learning Better [88.28293442298015]
  Federated Learning (FL)は、クラウドからリソース制限されたエッジデバイスへの機械学習ワークロードの分散を可能にする。 我々は、FedDST(Federated Dynamic Sparse Training)と呼ばれる新しいFLフレームワークを開発し、実装し、実験的に検証する。 FedDSTは、ターゲットのフルネットワークからスパースサブネットワークを抽出し、訓練する動的プロセスである。
  論文  参考訳（メタデータ） (2021-12-18T02:26:38Z)
• Faster Non-Convex Federated Learning via Global and Local Momentum [57.52663209739171]
  textttFedGLOMOは最初の(一階)FLtexttFedGLOMOアルゴリズムです。 クライアントとサーバ間の通信においても,我々のアルゴリズムは確実に最適である。
  論文  参考訳（メタデータ） (2020-12-07T21:05:31Z)
• Multi-Armed Bandit Based Client Scheduling for Federated Learning [91.91224642616882]
  統合学習(FL)は、通信オーバーヘッドの低減やデータのプライバシの保護など、ユビキタスな特性を特徴とする。 FLの各通信ラウンドでは、クライアントは自身のデータに基づいてローカルモデルを更新し、無線チャネル経由でローカル更新をアップロードする。 本研究は、無線チャネルの状態情報やクライアントの統計的特性を知ることなく、FLにおけるオンラインクライアントスケジューリング(CS)のためのマルチアームバンディットベースのフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-07-05T12:32:32Z)

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。