論文の概要: FairEnergy: Contribution-Based Fairness meets Energy Efficiency in Federated Learning

• arxiv url: http://arxiv.org/abs/2511.15454v1
• Date: Wed, 19 Nov 2025 14:11:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.835526
• Title: FairEnergy: Contribution-Based Fairness meets Energy Efficiency in Federated Learning
• Title（参考訳）: FairEnergy: フェデレーション学習における貢献に基づくフェアネスとエネルギー効率
• Authors: Ouiame Marnissi, Hajar EL Hammouti, El Houcine Bergou,
• Abstract要約: 無線エッジシステムにおけるエネルギー効率と公平な参加のバランスをとるためのFairEnergyを提案する。 また,FairEnergyは,ベースライン戦略と比較して最大79%の精度で精度が向上することを示した。
• 参考スコア（独自算出の注目度）: 8.462545504525805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) enables collaborative model training across distributed devices while preserving data privacy. However, balancing energy efficiency and fair participation while ensuring high model accuracy remains challenging in wireless edge systems due to heterogeneous resources, unequal client contributions, and limited communication capacity. To address these challenges, we propose FairEnergy, a fairness-aware energy minimization framework that integrates a contribution score capturing both the magnitude of updates and their compression ratio into the joint optimization of device selection, bandwidth allocation, and compression level. The resulting mixed-integer non-convex problem is solved by relaxing binary selection variables and applying Lagrangian decomposition to handle global bandwidth coupling, followed by per-device subproblem optimization. Experiments on non-IID data show that FairEnergy achieves higher accuracy while reducing energy consumption by up to 79\% compared to baseline strategies.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データプライバシを保持しながら、分散デバイス間で協調的なモデルトレーニングを可能にする。 しかし、不均質なリソース、不平等なクライアント貢献、限られた通信能力により、高モデル精度を確保しつつ、エネルギー効率と公平な参加のバランスをとることは、無線エッジシステムでは依然として困難である。 これらの課題に対処するために、FairEnergyは、デバイス選択、帯域幅割り当て、圧縮レベルの共同最適化に、更新の規模と圧縮比の両方をキャプチャーするコントリビューションスコアを統合する、公正対応のエネルギー最小化フレームワークである。 結果として生じる混合整数非凸問題は、バイナリ選択変数を緩和し、ラグランジアン分解を適用してグローバル帯域の結合を処理し、デバイスごとのサブプロブレム最適化によって解決される。 非IIDデータを用いた実験では、FairEnergyはベースライン戦略と比較してエネルギー消費を最大79倍まで削減し、高い精度を達成することが示された。

関連論文リスト

• Computation-aware Energy-harvesting Federated Learning: Cyclic Scheduling with Selective Participation [5.593872199021558]
  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。
  論文  参考訳（メタデータ） (2025-11-14T23:46:48Z)
• 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)
• Learn More by Using Less: Distributed Learning with Energy-Constrained Devices [4.036740581753959]
  Federated Learning(FL)は、分散モデルトレーニングのソリューションとして、分散化されたプライバシ保護デバイスに登場した。 本稿では,電池に制約のあるデバイス上でのクライアント選択とトレーニング作業の最適化を目的とした,エネルギーを意識したFLフレームワークであるLeanFedを提案する。
  論文  参考訳（メタデータ） (2024-12-03T09:06:57Z)
• Balancing Energy Efficiency and Distributional Robustness in Over-the-Air Federated Learning [40.96977338485749]
  本稿では,空気計算(AirComp)を用いた分布型頑健な連邦学習(FL)におけるエネルギー効率を保証する新しい手法を提案する。 本稿では,エネルギー効率に配慮した決定論的手法と,分散ロバスト性に配慮した確率論的手法の2つの相補的な洞察を統合する新しいクライアント選択手法を提案する。 シミュレーションの結果,提案アルゴリズムの有効性を実証し,ロバスト性およびエネルギー効率の両面から,ベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-12-22T12:15:52Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• 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)
• 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)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• 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。