論文の概要: Energy-Efficient Quantized Federated Learning for Resource-constrained IoT devices

• arxiv url: http://arxiv.org/abs/2509.12814v1
• Date: Tue, 16 Sep 2025 08:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.968177
• Title: Energy-Efficient Quantized Federated Learning for Resource-constrained IoT devices
• Title（参考訳）: 資源制約型IoTデバイスのためのエネルギー効率のよい量子化フェデレーション学習
• Authors: Wilfrid Sougrinoma Compaoré, Yaya Etiabi, El Mehdi Amhoud, Mohamad Assaad,
• Abstract要約: フェデレーテッド・ラーニングは、協調機械学習を実現するための有望なパラダイムとして登場した。 資源に制約のあるIoTデバイスは、限られたエネルギー、信頼性の低い通信チャネル、無限ブロック長伝送を仮定する非現実性のために困難に直面している。 本稿では,有限ブロック長伝送,モデル量子化,エラー認識集約機構を統合したIoTネットワークのためのフェデレーション学習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）: 9.155660949247588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) has emerged as a promising paradigm for enabling collaborative machine learning while preserving data privacy, making it particularly suitable for Internet of Things (IoT) environments. However, resource-constrained IoT devices face significant challenges due to limited energy,unreliable communication channels, and the impracticality of assuming infinite blocklength transmission. This paper proposes a federated learning framework for IoT networks that integrates finite blocklength transmission, model quantization, and an error-aware aggregation mechanism to enhance energy efficiency and communication reliability. The framework also optimizes uplink transmission power to balance energy savings and model performance. Simulation results demonstrate that the proposed approach significantly reduces energy consumption by up to 75\% compared to a standard FL model, while maintaining robust model accuracy, making it a viable solution for FL in real-world IoT scenarios with constrained resources. This work paves the way for efficient and reliable FL implementations in practical IoT deployments. Index Terms: Federated learning, IoT, finite blocklength, quantization, energy efficiency.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データのプライバシを保持しながら、コラボレーティブ機械学習を可能にするための有望なパラダイムとして登場し、IoT(Internet of Things)環境に特に適している。 しかし、リソースに制約のあるIoTデバイスは、限られたエネルギー、信頼性の低い通信チャネル、無限ブロック長伝送を仮定する非現実性など、重大な課題に直面している。 本稿では,有限ブロック長伝送とモデル量子化を統合したIoTネットワークのためのフェデレーション学習フレームワークと,エネルギー効率と通信信頼性を高めるためのエラー認識集約機構を提案する。 このフレームワークはまた、アップリンク送信電力を最適化し、省エネとモデル性能のバランスをとる。 シミュレーションの結果,提案手法は標準的なFLモデルと比較してエネルギー消費量を最大75%削減し,ロバストなモデルの精度を保ちながら,制約のある実世界のIoTシナリオにおいてFLが実現可能であることを示した。 この作業は、実用的なIoTデプロイメントにおける効率的で信頼性の高いFL実装の道を開くものだ。 インデックス用語: フェデレーション学習、IoT、有限ブロック長、量子化、エネルギー効率。

関連論文リスト

• LLMs meet Federated Learning for Scalable and Secure IoT Management [6.649910168731417]
  従来の集中型アーキテクチャは、レイテンシ、プライバシの懸念、リソースの過剰消費に悩まされている。 本稿では,IoTシステムインテリジェンスの向上を目的とした,FL-LLM(Federated Learning-driven Large Language Model)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-22T16:56:59Z)
• Learn More by Using Less: Distributed Learning with Energy-Constrained Devices [3.730504020733928]
  Federated Learning(FL)は、分散モデルトレーニングのソリューションとして、分散化されたプライバシ保護デバイスに登場した。 本稿では,電池に制約のあるデバイス上でのクライアント選択とトレーニング作業の最適化を目的とした,エネルギーを意識したFLフレームワークであるLeanFedを提案する。
  論文  参考訳（メタデータ） (2024-12-03T09:06:57Z)
• Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
  Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。 我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。 具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
  論文  参考訳（メタデータ） (2024-08-26T14:28:51Z)
• 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)
• HCFL: A High Compression Approach for Communication-Efficient Federated Learning in Very Large Scale IoT Networks [27.963991995365532]
  フェデレートラーニング(FL)は、IoT(Internet-of-Things)デバイスが、処理のために生データを集中ノードに送信することなく、コラボレーティブモデルを学ぶことを可能にする、新たな人工知能の概念である。 多数のアドバンテージにもかかわらず、IoTデバイスの低コンピューティングリソースとモデルパラメータを交換するための高い通信コストは、巨大なIoTネットワークにおけるFLの応用を極めて限定している。 我々は,大規模IoTネットワークのための高速圧縮フェデレーション学習(HCFL)と呼ばれるFLのための新しい圧縮スキームを開発した。
  論文  参考訳（メタデータ） (2022-04-14T05:29:40Z)
• Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in EdgeIoT [53.68792408315411]
  フェデレートラーニング(FL)は、モバイルエッジコンピューティングベースのInternet of Thing(EdgeIoT)における盗聴攻撃からデータトレーニングプライバシを保護するために、ますます検討されている。 本研究では,連続領域における最適精度とエネルギー収支を達成するために,FLDLT3フレームワークを提案する。 その結果、FL-DLT3は100回未満の高速収束を実現し、FLの精度-エネルギー消費比は既存の最先端ベンチマークと比較して51.8%向上した。
  論文  参考訳（メタデータ） (2022-02-15T13:36:15Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)

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。