論文の概要: STT-GS: Sample-Then-Transmit Edge Gaussian Splatting with Joint Client Selection and Power Control

• arxiv url: http://arxiv.org/abs/2510.13186v1
• Date: Wed, 15 Oct 2025 06:20:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.520293
• Title: STT-GS: Sample-Then-Transmit Edge Gaussian Splatting with Joint Client Selection and Power Control
• Title（参考訳）: STT-GS: クライアント選択と電力制御を併用したサンプルThen-Transmit Edge Gaussian Splatting
• Authors: Zhen Li, Xibin Jin, Guoliang Li, Shuai Wang, Miaowen Wen, Huseyin Arslan, Derrick Wing Kwan Ng, Chengzhong Xu,
• Abstract要約: Edge Gaussian splatting (EGS)は、分散クライアントからデータを集約し、エッジサーバでグローバルGSモデルをトレーニングする。 本稿では、異なるクライアントのビューコントリビューションを識別する新しいGS指向の目的関数を定式化する。 その結果,低サンプリング比でGS指向の目的を正確に予測できることが判明した。
• 参考スコア（独自算出の注目度）: 77.56170394100022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Edge Gaussian splatting (EGS), which aggregates data from distributed clients and trains a global GS model at the edge server, is an emerging paradigm for scene reconstruction. Unlike traditional edge resource management methods that emphasize communication throughput or general-purpose learning performance, EGS explicitly aims to maximize the GS qualities, rendering existing approaches inapplicable. To address this problem, this paper formulates a novel GS-oriented objective function that distinguishes the heterogeneous view contributions of different clients. However, evaluating this function in turn requires clients' images, leading to a causality dilemma. To this end, this paper further proposes a sample-then-transmit EGS (or STT-GS for short) strategy, which first samples a subset of images as pilot data from each client for loss prediction. Based on the first-stage evaluation, communication resources are then prioritized towards more valuable clients. To achieve efficient sampling, a feature-domain clustering (FDC) scheme is proposed to select the most representative data and pilot transmission time minimization (PTTM) is adopted to reduce the pilot overhead.Subsequently, we develop a joint client selection and power control (JCSPC) framework to maximize the GS-oriented function under communication resource constraints. Despite the nonconvexity of the problem, we propose a low-complexity efficient solution based on the penalty alternating majorization minimization (PAMM) algorithm. Experiments unveil that the proposed scheme significantly outperforms existing benchmarks on real-world datasets. It is found that the GS-oriented objective can be accurately predicted with low sampling ratios (e.g.,10%), and our method achieves an excellent tradeoff between view contributions and communication costs.
• Abstract（参考訳）: Edge Gaussian splatting (EGS)は、分散クライアントからデータを集約し、エッジサーバでグローバルGSモデルをトレーニングする。 通信スループットや汎用学習性能を重視した従来のエッジリソース管理手法とは異なり、EGSはGSの品質を最大化することを目的としており、既存のアプローチは適用できない。 この問題に対処するために,異なるクライアントの不均一なビューコントリビューションを識別する新しいGS指向の目的関数を定式化する。 しかし、この関数の評価にはクライアントのイメージが必要であるため、因果性ジレンマが発生する。 そこで本研究では,まず画像のサブセットを各クライアントのパイロットデータとしてサンプリングし,損失予測を行うサンプルthen-transmit EGS (STT-GS) 戦略を提案する。 第一段階の評価に基づいて、コミュニケーションリソースはより価値のあるクライアントに優先順位付けされる。 効率的なサンプリングを実現するため、最も代表的なデータを選択する機能領域クラスタリング(FDC)方式を提案し、パイロット送信時間最小化(PTTM)を採用してパイロットオーバヘッドを低減するとともに、通信リソース制約下でGS指向関数を最大化するジョイントクライアント選択電力制御(JCSPC)フレームワークを開発した。 問題の非凸性にも拘わらず, ペナルティ交互大化最小化(PAMM)アルゴリズムに基づく, 低複雑さの効率的な解を提案する。 実験により、提案手法が実世界のデータセットの既存のベンチマークを著しく上回っていることが明らかとなった。 その結果, GS指向の目的は, 低サンプリング率(例,10%)で正確に予測でき, ビューコントリビューションと通信コストのトレードオフが良好であることがわかった。

関連論文リスト

• A Model-agnostic Strategy to Mitigate Embedding Degradation in Personalized Federated Recommendation [34.915843795521134]
  パーソナライズされた埋め込みユーティリティを強化するための新しいモデルに依存しないFedRec戦略を提案する。 PLGCは、次元崩壊問題を緩和する連邦勧告における最初の研究である。
  論文  参考訳（メタデータ） (2025-08-27T06:03:52Z)
• A Scalable Pretraining Framework for Link Prediction with Efficient Adaptation [16.82426251068573]
  リンク予測(LP)は、グラフ機械学習において重要なタスクである。 既存の手法は、疎結合性からの限られた監督を含む重要な課題に直面している。 これらの課題に対処するためのソリューションとして,事前学習について検討する。
  論文  参考訳（メタデータ） (2025-08-06T17:10:31Z)
• Invariant Federated Learning for Edge Intelligence: Mitigating Heterogeneity and Asynchrony via Exit Strategy and Invariant Penalty [10.54196990763149]
  本稿では,資源制約付きエッジインテリジェンスのための不変なフェデレーション学習システムを提案する。 退避戦略と不変ペナルティを通じて異質性や非同期性の影響を軽減することができる。 その結果,本システムは分散処理性能を向上し,Out-Of-Distributionの一般化において最先端のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-08T10:47:27Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Towards Federated Low-Rank Adaptation of Language Models with Rank Heterogeneity [12.515874333424929]
  クライアント間の不均一なランクが不安定なパフォーマンスにつながることを観察する。 この不安定性は従来のゼロ・パディング・アグリゲーション・ストラテジーに起因している。 高品質なデータを持つクライアントからの貴重な情報をよりよく保持するレプリケーションベースのパディング戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-25T11:49:33Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
  我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。 公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。 提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
  論文  参考訳（メタデータ） (2023-02-02T12:56:46Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)

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。