論文の概要: ProbSelect: Stochastic Client Selection for GPU-Accelerated Compute Devices in the 3D Continuum

• arxiv url: http://arxiv.org/abs/2511.08147v1
• Date: Wed, 12 Nov 2025 01:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.66695
• Title: ProbSelect: Stochastic Client Selection for GPU-Accelerated Compute Devices in the 3D Continuum
• Title（参考訳）: ProbSelect:3次元連続体におけるGPU加速コンピューティングデバイスのための確率的クライアント選択
• Authors: Andrija Stanisic, Stefan Nastic,
• Abstract要約: エッジ、クラウド、スペースデバイスを統合された3D連続体に統合することは、学習システムにおけるクライアント選択に重大な課題を課す。 従来のアプローチは継続的監視と履歴データ収集に依存しており、動的な環境では実用的ではない。 本稿では,GPUアクセラレーションデバイス上でのクライアント選択に対する解析モデルと確率予測を利用した新しいアプローチであるProbSelectを紹介する。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Integration of edge, cloud and space devices into a unified 3D continuum imposes significant challenges for client selection in federated learning systems. Traditional approaches rely on continuous monitoring and historical data collection, which becomes impractical in dynamic environments where satellites and mobile devices frequently change operational conditions. Furthermore, existing solutions primarily consider CPU-based computation, failing to capture complex characteristics of GPU-accelerated training that is prevalent across the 3D continuum. This paper introduces ProbSelect, a novel approach utilizing analytical modeling and probabilistic forecasting for client selection on GPU-accelerated devices, without requiring historical data or continuous monitoring. We model client selection within user-defined SLOs. Extensive evaluation across diverse GPU architectures and workloads demonstrates that ProbSelect improves SLO compliance by 13.77% on average while achieving 72.5% computational waste reduction compared to baseline approaches.
• Abstract（参考訳）: エッジ、クラウド、スペースデバイスを統合された3D連続体に統合することは、連合学習システムにおけるクライアント選択に重大な課題を課す。 従来のアプローチでは、衛星やモバイルデバイスが頻繁に運用条件を変更する動的環境では現実的ではない、継続的監視と履歴データ収集に依存していた。 さらに、既存のソリューションはCPUベースの計算を主に考慮しており、3D連続体にまたがるGPUアクセラレーショントレーニングの複雑な特性を捉えていない。 本稿では,GPUアクセラレーションデバイス上でのクライアント選択に解析モデルと確率予測を利用した新しい手法であるProbSelectを紹介する。 ユーザ定義SLO内のクライアント選択をモデル化する。 多様なGPUアーキテクチャやワークロードの広範な評価は、ProbSelectがSLO準拠を平均13.77%改善し、ベースラインアプローチに比べて72.5%の計算廃棄物削減を実現していることを示している。

関連論文リスト

• Generalized Zero-Shot Learning for Point Cloud Segmentation with Evidence-Based Dynamic Calibration [12.973924671425074]
  3Dポイントクラウドの一般化されたゼロショットセマンティックセマンティックセマンティックセマンティクスは、各ポイントを目に見えないクラスと見えないクラスの両方に分類することを目的としている。 これらのモデルの重大な課題は、バイアスのある予測を行う傾向にあり、しばしばトレーニング中に遭遇するクラスを好んでいることである。 E3DPC-GZSLを提案する。これは、見知らぬデータに対して、別個の分類器に頼ることなく、見知らぬクラスに対する過信予測を減らす。
  論文  参考訳（メタデータ） (2025-09-10T04:37:00Z)
• Towards Edge-Based Idle State Detection in Construction Machinery Using Surveillance Cameras [0.0]
  未使用の建設機械は、運用コストとプロジェクト遅延を増大させる。 本稿では, アイドル機械検出のためのエッジIMIフレームワークを提案する。 提案手法は,オブジェクト検出,トラッキング,アイドル状態同定という3つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-06-01T08:43:33Z)
• Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
  我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。 この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
  論文  参考訳（メタデータ） (2024-11-01T21:11:48Z)
• FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
  フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。 本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
  論文  参考訳（メタデータ） (2023-06-08T13:11:20Z)
• Distributed Learning in Heterogeneous Environment: federated learning with adaptive aggregation and computation reduction [37.217844795181975]
  異種データ、時間的変化のある無線条件、コンピューティングに制限のあるデバイスは3つの大きな課題である。 これらの課題に対処するための戦略を提案する。 提案手法は, 適度な遅延環境下で最大15ラウンドの通信遅延を許容できる。
  論文  参考訳（メタデータ） (2023-02-16T16:32:54Z)
• 3D Harmonic Loss: Towards Task-consistent and Time-friendly 3D Object Detection on Edge for Intelligent Transportation System [28.55894241049706]
  本稿では,ポイントクラウドに基づく不整合予測を緩和する3次元高調波損失関数を提案する。 提案手法はベンチマークモデルよりも性能が大幅に向上する。 私たちのコードはオープンソースで公開されています。
  論文  参考訳（メタデータ） (2022-11-07T10:11:48Z)
• Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
  Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。 このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
  論文  参考訳（メタデータ） (2022-02-17T02:01:37Z)
• ApproxDet: Content and Contention-Aware Approximate Object Detection for Mobiles [19.41234144545467]
  本稿では,モバイル機器用適応型ビデオオブジェクト検出フレームワークであるApproxDetを紹介する。 大規模なベンチマークビデオデータセット上でApproxDetを評価し,AdaScaleやYOLOv3と比較した。 ApproxDetは、幅広いコンテントやコンテンツの特徴に適応し、すべてのベースラインを誇張することができる。
  論文  参考訳（メタデータ） (2020-10-21T04:11:05Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。