論文の概要: Decentralized Rank Scheduling for Energy-Constrained Multi-Task Federated Fine-Tuning in Edge-Assisted IoV Networks

• arxiv url: http://arxiv.org/abs/2508.09532v1
• Date: Wed, 13 Aug 2025 06:29:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.783011
• Title: Decentralized Rank Scheduling for Energy-Constrained Multi-Task Federated Fine-Tuning in Edge-Assisted IoV Networks
• Title（参考訳）: エッジ支援IoVネットワークにおけるエネルギー制約付きマルチタスクフェデレーションファインチューニングのための分散ランクスケジューリング
• Authors: Bokeng Zheng, Jianqiang Zhong, Jiayi Liu, Xiaoxi Zhang,
• Abstract要約: インターネット・オブ・ビークルズ(IoV)システムでは、クライアントの移動性、異種資源、断続接続性のために、効率的な低遅延マルチタスク適応を実現することが困難である。 本稿では,道路側ユニット(RSU)と車両を協調し,動的IoVシナリオをまたいだ資源認識および移動性学習を支援する階層的なファインチューニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.034703123469061
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated fine-tuning has emerged as a promising approach for adapting foundation models (FMs) to diverse downstream tasks in edge environments. In Internet of Vehicles (IoV) systems, enabling efficient and low-latency multi-task adaptation is particularly challenging due to client mobility, heterogeneous resources, and intermittent connectivity. This paper proposes a hierarchical federated fine-tuning framework that coordinates roadside units (RSUs) and vehicles to support resource-aware and mobility-resilient learning across dynamic IoV scenarios. Leveraging Low-Rank Adaptation (LoRA), we introduce a decentralized, energy-aware rank adaptation mechanism formulated as a constrained multi-armed bandit problem. A novel UCB-DUAL algorithm is developed to enable adaptive exploration under per-task energy budgets, achieving provable sublinear regret. To evaluate our method, we construct a large-scale IoV simulator based on real-world trajectories, capturing dynamic participation, RSU handoffs, and communication variability. Extensive experiments show that our approach achieves the best accuracy-efficiency trade-off among all baselines, reducing latency by over 24\% and improving average accuracy by more than 2.5\%.
• Abstract（参考訳）: フェデレートされた微調整は、エッジ環境における様々な下流タスクにファンデーションモデル(FM)を適用するための有望なアプローチとして現れています。 インターネット・オブ・ビークルズ(IoV)システムでは、クライアントの移動性、異種資源、断続接続性のために、効率的で低レイテンシなマルチタスク適応を実現することが特に困難である。 本稿では,道路側ユニット(RSU)と車両を協調し,動的IoVシナリオをまたいだ資源認識および移動性学習を支援する階層的なファインチューニングフレームワークを提案する。 ローランド適応(LoRA)を活用することで、制約付きマルチアームバンディット問題として定式化された分散化エネルギー対応のランク適応機構を導入する。 UCB-DUALアルゴリズムは、タスク毎のエネルギー予算の下で適応的な探索を可能にし、証明可能なサブ線形後悔を実現する。 提案手法を評価するために,実世界の軌道に基づく大規模IoVシミュレータを構築し,ダイナミックな参加,RSUハンドオフ,通信の可変性を把握した。 その結果,提案手法は全ベースラインで最高の精度・効率のトレードオフを実現し,レイテンシを24倍以上削減し,平均精度を2.5倍以上向上させることができた。

関連論文リスト

• Hierarchical Task Offloading for UAV-Assisted Vehicular Edge Computing via Deep Reinforcement Learning [11.695622067301128]
  部分オフロードに基づく2層UAV支援エッジコンピューティングアーキテクチャを提案する。 提案アーキテクチャは異種資源の効率的な統合と調整を可能にする。 提案手法は,タスク完了率,システム効率,収束速度において,いくつかのベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-07-08T07:10:52Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• MAGNNET: Multi-Agent Graph Neural Network-based Efficient Task Allocation for Autonomous Vehicles with Deep Reinforcement Learning [2.5022287664959446]
  本稿では,グラフニューラルネットワーク(GNN)を一元的トレーニングと分散実行(CTDE)パラダイムに統合する新しいフレームワークを提案する。 本手法により,無人航空機 (UAV) と無人地上車両 (UGV) は, 中央調整を必要とせず, 効率よくタスクを割り当てることができる。
  論文  参考訳（メタデータ） (2025-02-04T13:29:56Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• 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)

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。