論文の概要: Latency-aware Multimodal Federated Learning over UAV Networks

• arxiv url: http://arxiv.org/abs/2510.01717v1
• Date: Thu, 02 Oct 2025 06:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.02852
• Title: Latency-aware Multimodal Federated Learning over UAV Networks
• Title（参考訳）: UAVネットワーク上でのレイテンシを考慮したマルチモーダルフェデレーション学習
• Authors: Shaba Shaon, Dinh C. Nguyen,
• Abstract要約: 本稿では,無人航空機(UAV)が補助するマルチモーダル学習(FML)について,システム遅延の最小化に着目して検討する。 このフレームワークでは、UAVはネットワーク全体に分散し、データを収集し、モデルトレーニングに参加し、グローバルモデルを構築する。 主な目的は、UAVスケジューリング、電力制御、軌道、計画、リソース割り当て、BSリソース管理を併用することで、UAVネットワークにおけるFMLシステムのレイテンシを最適化することである。
• 参考スコア（独自算出の注目度）: 5.942882029411925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates federated multimodal learning (FML) assisted by unmanned aerial vehicles (UAVs) with a focus on minimizing system latency and providing convergence analysis. In this framework, UAVs are distributed throughout the network to collect data, participate in model training, and collaborate with a base station (BS) to build a global model. By utilizing multimodal sensing, the UAVs overcome the limitations of unimodal systems, enhancing model accuracy, generalization, and offering a more comprehensive understanding of the environment. The primary objective is to optimize FML system latency in UAV networks by jointly addressing UAV sensing scheduling, power control, trajectory planning, resource allocation, and BS resource management. To address the computational complexity of our latency minimization problem, we propose an efficient iterative optimization algorithm combining block coordinate descent and successive convex approximation techniques, which provides high-quality approximate solutions. We also present a theoretical convergence analysis for the UAV-assisted FML framework under a non-convex loss function. Numerical experiments demonstrate that our FML framework outperforms existing approaches in terms of system latency and model training performance under different data settings.
• Abstract（参考訳）: 本稿では,無人航空機(UAV)によるFML(Federated Multimodal Learning)について,システム遅延の最小化と収束解析の提供に焦点をあてて検討する。 このフレームワークでは、UAVはネットワーク全体に分散し、データを収集し、モデルトレーニングに参加し、ベースステーション(BS)と協力してグローバルモデルを構築する。 マルチモーダルセンシングを利用することで、UAVは単調システムの限界を克服し、モデルの精度を高め、一般化し、環境のより包括的な理解を提供する。 主な目的は、UAVセンシングスケジューリング、電力制御、軌道計画、リソース割り当て、BSリソース管理を併用することで、UAVネットワークにおけるFMLシステムのレイテンシを最適化することである。 遅延最小化問題の計算複雑性に対処するため,ブロック座標降下法と連続凸近似法を組み合わせた効率的な反復最適化アルゴリズムを提案し,高品質な近似解を提供する。 非凸損失関数下でのUAV支援FMLフレームワークの理論的収束解析も提案する。 数値実験により、FMLフレームワークは、異なるデータ設定下でのシステムのレイテンシとモデルのトレーニング性能において、既存のアプローチよりも優れていることが示された。

関連論文リスト

• Latency Minimization for UAV-Enabled Federated Learning: Trajectory Design and Resource Allocation [47.20867891501245]
  フェデレーテッド・ラーニング(FL)は、無線ネットワークにまたがる分散機械学習において、トランスフォーメーションパラダイムとなっている。 本研究では,無人航空機(UAV)を移動体サーバとして活用し,FL訓練プロセスを強化する新しい枠組みを提案する。 提案手法は,遅延を最大15.29%削減する既存のベンチマークスキームを超えるだけでなく,理想的なシナリオとほぼ一致したトレーニング効率も達成できることを示す。
  論文  参考訳（メタデータ） (2024-12-10T11:39:27Z)
• Wireless Federated Learning over UAV-enabled Integrated Sensing and Communication [2.8203310972866382]
  本稿では,無人航空機(UAV)を利用した統合型統合学習(FL)における新しい遅延最適化問題について検討する。 ベンチマーク方式と比較して,システム遅延を最大68.54%削減し,高品質な近似解を求めるため,単純かつ効率的な反復アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-01T14:25:24Z)
• 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)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマーク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） (2023-08-04T04:18:01Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Muti-Agent Proximal Policy Optimization For Data Freshness in UAV-assisted Networks [4.042622147977782]
  収集したデータが時間に敏感な場合に注目し,そのタイムラインを維持することが重要である。 我々の目標は、UAVの軌道を最適に設計することであり、グローバル・エイジ・オブ・アップデート(AoU)のような訪問するIoTデバイスのサブセットを最小化することである。
  論文  参考訳（メタデータ） (2023-03-15T15:03:09Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• UAV-assisted Online Machine Learning over Multi-Tiered Networks: A Hierarchical Nested Personalized Federated Learning Approach [25.936914508952086]
  地理的分散デバイスクラスタのための無人航空機(UAV)による分散機械学習(ML)を検討する。 i)リーダー,ワーカー,コーディネータによるUAVスワーミング,(ii)階層型ネスト型パーソナライズド・フェデレーション・ラーニング(HN-PFL),(iii)UAVのローカル計算機能を用いた分散MLのための協調的UAVリソースプール,の5つの新しい技術/技術を提案する。
  論文  参考訳（メタデータ） (2021-06-29T21:40:28Z)

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。