論文の概要: Computation-aware Energy-harvesting Federated Learning: Cyclic Scheduling with Selective Participation

• arxiv url: http://arxiv.org/abs/2511.11949v1
• Date: Fri, 14 Nov 2025 23:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.417035
• Title: Computation-aware Energy-harvesting Federated Learning: Cyclic Scheduling with Selective Participation
• Title（参考訳）: 計算型エネルギーハーベストングフェデレーション学習:選択参加型サイクルスケジューリング
• Authors: Eunjeong Jeong, Nikolaos Pappas,
• Abstract要約: 本稿では,ユーザのバッテリレベルに基づいたサイクリッククライアント参加を用いた,バッテリを意識したEHFLフレームワークであるFedBacysを提案する。 クライアントをクラスタ化し、それらを逐次スケジューリングすることで、FedBacysは冗長な計算を最小化し、システム全体のエネルギー使用量を削減し、学習安定性を向上させる。 また、FedBacys-Oddというよりエネルギー効率のよい変種を導入し、クライアントを選択的に参加させ、パフォーマンスを損なうことなくエネルギーコストをさらに削減します。
• 参考スコア（独自算出の注目度）: 5.593872199021558
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated Learning (FL) is a powerful paradigm for distributed learning, but its increasing complexity leads to significant energy consumption from client-side computations for training models. In particular, the challenge is critical in energy-harvesting FL (EHFL) systems where participation availability of each device oscillates due to limited energy. To address this, we propose FedBacys, a battery-aware EHFL framework using cyclic client participation based on users' battery levels. By clustering clients and scheduling them sequentially, FedBacys minimizes redundant computations, reduces system-wide energy usage, and improves learning stability. We also introduce FedBacys-Odd, a more energy-efficient variant that allows clients to participate selectively, further reducing energy costs without compromising performance. We provide a convergence analysis for our framework and demonstrate its superior energy efficiency and robustness compared to existing algorithms through numerical experiments.
• Abstract（参考訳）: フェデレートラーニング(FL)は分散学習の強力なパラダイムであるが、その複雑さが増し、訓練モデルのクライアント側計算からかなりのエネルギー消費につながる。 特に、この課題は、各装置の参加可能な状態が限られたエネルギーによって変動するエネルギーハーベストングFL(EHFL)システムにおいて重要である。 そこで本稿では,ユーザのバッテリーレベルに基づいて,サイクリッククライアントによるEHFLフレームワークであるFedBacysを提案する。 クライアントをクラスタ化し、それらを逐次スケジューリングすることで、FedBacysは冗長な計算を最小化し、システム全体のエネルギー使用量を削減し、学習安定性を向上させる。 また、FedBacys-Oddというよりエネルギー効率のよい変種を導入し、クライアントを選択的に参加させ、パフォーマンスを損なうことなくエネルギーコストをさらに削減します。 筆者らは,本フレームワークの収束解析を行い,そのエネルギー効率とロバスト性について,従来のアルゴリズムと比較して数値実験により検証した。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Battery-aware Cyclic Scheduling in Energy-harvesting Federated Learning [8.616027454535876]
  フェデレートラーニング(FL)は、分散学習のための有望なフレームワークとして登場したが、その複雑さが増大し、エネルギー消費が大きくなった。 本稿では,ユーザのバッテリレベルに基づいたサイクリッククライアント参加を実現する,バッテリ対応FLフレームワークであるFedBacysを提案する。 本研究は,EHFLにおける循環的クライアント参加の包括的評価を行い,通信コストと計算コストの両面を統一されたリソース対応スケジューリング戦略に組み込んだものである。
  論文  参考訳（メタデータ） (2025-04-16T15:38:38Z)
• BEFL: Balancing Energy Consumption in Federated Learning for Mobile Edge IoT [2.6872737601772956]
  Mobile Edge IoT(MEIoT)では、トレーニングと通信プロセスはデバイスの限られたバッテリーリソースを著しく減らすことができる。 我々は,グローバルモデル精度の向上,全エネルギー消費の最小化,デバイス間のエネルギー利用格差の低減という,3つの目標のバランスを図るための共同最適化フレームワークであるBEFLを提案する。 実験の結果、BEFLはグローバルモデル精度を1.6%改善し、エネルギー消費のばらつきを72.7%低減し、既存の方法と比較して総エネルギー消費を28.2%低減することがわかった。
  論文  参考訳（メタデータ） (2024-12-05T07:58:32Z)
• Federated Learning With Energy Harvesting Devices: An MDP Framework [17.87295300394514]
  フェデレートラーニング(FL)は、エッジデバイスがローカルなトレーニングを行い、パラメータサーバと通信することを要求する。 実用FLシステムにおける重要な課題は、バッテリ寿命を制限し、学習性能に影響を及ぼす、バッテリ制限のエッジデバイスが急速に枯渇することである。 FLシステムにエネルギー回収技術を導入し、環境エネルギーを捕捉し、エッジデバイスに連続的な電力を供給する。
  論文  参考訳（メタデータ） (2024-05-17T03:41:40Z)
• Energy-Aware Federated Learning with Distributed User Sampling and Multichannel ALOHA [3.7769304982979666]
  エッジデバイス上での分散学習は、フェデレートラーニング(FL)の出現によって注目を集めている。 本稿では,エネルギ収穫装置(EH)をマルチチャネルALOHAとFLネットワークに統合することを検討する。 数値的な結果は,特に臨界設定において,この手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-09-12T08:05:39Z)
• 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)
• EAFL: Towards Energy-Aware Federated Learning on Battery-Powered Edge Devices [3.448338949969246]
  フェデレーテッド・ラーニング(FL)は、エッジデバイスがデータの集中化やプライバシーをデフォルトにすることなく、グローバルな機械学習モデルを協調的にトレーニングすることを可能にする、新たに登場したAIのブランチである。 大規模なデプロイメントでは、クライアントの不均一性は、正確性、公平性、時間といったトレーニング品質に影響を与える規範です。 我々は、エネルギー消費を考慮し、異種ターゲット装置の参加を最大化するエネルギー対応FL選択法EAFLを開発した。
  論文  参考訳（メタデータ） (2022-08-09T02:15:45Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)
• 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。