論文の概要: Learned Digital Codes for Over-the-Air Federated Learning

• arxiv url: http://arxiv.org/abs/2509.16577v1
• Date: Sat, 20 Sep 2025 08:43:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.8676
• Title: Learned Digital Codes for Over-the-Air Federated Learning
• Title（参考訳）: オーバー・ザ・エア・フェデレーション学習のための学習デジタルコード
• Authors: Antonio Tarizzo, Mohammad Kazemi, Deniz Gündüz,
• Abstract要約: フェデレートエッジラーニング(FEEL)は、生データを集中することなく、無線デバイス間での分散モデルトレーニングを可能にする。 本研究では,低SNR条件下での信頼性操作を学習可能なデジタルOTAフレームワークを提案する。 その結果、7dB以上の信頼性演算が拡張され、全SNRレベルにわたるグローバルモデル収束が改善された。
• 参考スコア（独自算出の注目度）: 42.73991180442414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated edge learning (FEEL) enables distributed model training across wireless devices without centralising raw data, but deployment is constrained by the wireless uplink. A promising direction is over-the-air (OTA) aggregation, which merges communication with computation. Existing digital OTA methods can achieve either strong convergence or robustness to noise, but struggle to achieve both simultaneously, limiting performance in low signal-to-noise ratios (SNRs) where many IoT devices operate. This work proposes a learnt digital OTA framework that extends reliable operation into low-SNR conditions while maintaining the same uplink overhead as state-of-the-art. The proposed method combines an unrolled decoder with a jointly learnt unsourced random access codebook. Results show an extension of reliable operation by more than 7 dB, with improved global model convergence across all SNR levels, highlighting the potential of learning-based design for FEEL.
• Abstract（参考訳）: フェデレートエッジラーニング(FEEL)は、生データを集中することなく、無線デバイス間での分散モデルトレーニングを可能にするが、無線アップリンクによってデプロイメントが制限される。 有望な方向はオーバー・ザ・エア(OTA)アグリゲーションであり、計算と通信をマージする。 既存のデジタルOTA手法は、強い収束性またはノイズに対する堅牢性を達成することができるが、同時に両方の達成に苦慮し、多くのIoTデバイスが動作する低信号-雑音比(SNR)の性能を制限する。 本研究では,最先端技術と同じアップリンクオーバーヘッドを維持しつつ,信頼性の高い動作を低SNR条件に拡張する学習デジタルOTAフレームワークを提案する。 提案手法は、アンロールデコーダと、未学習のランダムアクセスコードブックを併用する。 その結果、7dB以上の信頼性操作が拡張され、すべてのSNRレベルのグローバルモデル収束性が向上し、FEELの学習ベース設計の可能性が強調された。

関連論文リスト

• Rendering Wireless Environments Useful for Gradient Estimators: A Zero-Order Stochastic Federated Learning Method [14.986031916712108]
  クロスデバイスフェデレーション学習(FL)は成長する機械学習フレームワークであり、複数のエッジデバイスが協力して、生データを公開せずにモデルをトレーニングする。 学習アルゴリズム自体において、その影響を解析する代わりに、無線チャネルを利用する方法を示す。
  論文  参考訳（メタデータ） (2024-01-30T21:46:09Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Over-the-Air Federated Learning with Joint Adaptive Computation and Power Control [30.7130850260223]
  本稿では,オーバー・ザ・エア・コンピューティング・ラーニング(OTA-FL)について考察する。 OTA-FLは、無線媒体の重ね合わせ特性を利用して、空気上のアグリゲーションを無料で行う。
  論文  参考訳（メタデータ） (2022-05-12T03:28:03Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Time-Correlated Sparsification for Efficient Over-the-Air Model Aggregation in Wireless Federated Learning [23.05003652536773]
  Federated Edge Learning(FEEL)は、エッジインテリジェンスアプリケーションを駆動するための有望な分散機械学習(ML)フレームワークである。 通信効率の高いFEELのためのハイブリッドアグリゲーション(TCS-H)を用いた時間相関スペーシングを提案する。
  論文  参考訳（メタデータ） (2022-02-17T02:48:07Z)
• Federated Learning over Wireless Device-to-Device Networks: Algorithms and Convergence Analysis [46.76179091774633]
  本稿では,無線デバイス対デバイス(d2d)ネットワーク上でのフェデレーション学習(fl)について検討する。 まず、通信効率の良いDSGDアルゴリズムの汎用ディジタルおよびアナログ無線実装を紹介する。 第二に、凸性と接続性の仮定の下で、両実装に収束境界を提供する。
  論文  参考訳（メタデータ） (2021-01-29T17:42:26Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)

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。