論文の概要: Feature-Based Semantics-Aware Scheduling for Energy-Harvesting Federated Learning

• arxiv url: http://arxiv.org/abs/2512.01983v1
• Date: Mon, 01 Dec 2025 18:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:35.023382
• Title: Feature-Based Semantics-Aware Scheduling for Energy-Harvesting Federated Learning
• Title（参考訳）: エネルギーハーベストングフェデレーション学習のための特徴に基づくセマンティック・アウェアスケジューリング
• Authors: Eunjeong Jeong, Giovanni Perin, Howard H. Yang, Nikolaos Pappas,
• Abstract要約: リソース制約のあるエッジデバイス上でのフェデレートラーニング(FL)は、重要な課題に直面している。 ディープニューラルネットワーク(DNN)のトレーニングに必要な計算エネルギーは、通信コストを支配していることが多い。 更新タイムラインと重要度を定量化するセマンティックス対応のメトリクスであるVersion Age of Information (VAoI) を用いた軽量クライアントスケジューリングフレームワークを提案する。 本フレームワークは,教育費が送信コストを上回る現実的なシナリオにおいて,EHFLの現実的かつ重要なソリューションとしてセマンティクスを考慮したスケジューリングを確立する。
• 参考スコア（独自算出の注目度）: 18.65400996570946
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated Learning (FL) on resource-constrained edge devices faces a critical challenge: The computational energy required for training Deep Neural Networks (DNNs) often dominates communication costs. However, most existing Energy-Harvesting FL (EHFL) strategies fail to account for this reality, resulting in wasted energy due to redundant local computations. For efficient and proactive resource management, algorithms that predict local update contributions must be devised. We propose a lightweight client scheduling framework using the Version Age of Information (VAoI), a semantics-aware metric that quantifies update timeliness and significance. Crucially, we overcome VAoI's typical prohibitive computational cost, which requires statistical distance over the entire parameter space, by introducing a feature-based proxy. This proxy estimates model redundancy using intermediate-layer extraction from a single forward pass, dramatically reducing computational complexity. Experiments conducted under extreme non-IID data distributions and scarce energy availability demonstrate superior learning performance while achieving energy reduction compared to existing baseline selection policies. Our framework establishes semantics-aware scheduling as a practical and vital solution for EHFL in realistic scenarios where training costs dominate transmission costs.
• Abstract（参考訳）: リソース制約のあるエッジデバイス上でのフェデレートラーニング(FL)は、重要な課題に直面している。 ディープニューラルネットワーク(DNN)のトレーニングに必要な計算エネルギーは、通信コストを支配していることが多い。 しかし、既存のEHFL(Energy-Harvesting FL)戦略のほとんどは、この現実を説明できないため、冗長な局所計算のために無駄なエネルギーが発生する。 効率的で積極的なリソース管理のためには、ローカルアップデートのコントリビューションを予測するアルゴリズムを考案する必要がある。 更新タイムラインと重要度を定量化するセマンティックス対応のメトリクスであるVersion Age of Information (VAoI) を用いた軽量クライアントスケジューリングフレームワークを提案する。 重要なことに、VAoIの典型的な禁忌計算コストは、特徴ベースのプロキシを導入することで、パラメータ空間全体の統計的距離を必要とする。 このプロキシは、1つのフォワードパスから中間層抽出を用いてモデル冗長性を推定し、計算複雑性を劇的に低減する。 極端に非IIDデータ分布とエネルギー利用率の低い実験は、既存のベースライン選択ポリシーと比較して、エネルギー削減を図りながら、優れた学習性能を示した。 本フレームワークは,教育費が送信コストを上回る現実的なシナリオにおいて,EHFLの現実的かつ重要なソリューションとしてセマンティクスを考慮したスケジューリングを確立する。

関連論文リスト

• Energy-Efficient Federated Learning for Edge Real-Time Vision via Joint Data, Computation, and Communication Design [43.89869891417806]
  無線エッジデバイスにおけるリアルタイムコンピュータビジョン(CV)アプリケーションは、エネルギー効率とプライバシ保護の学習を必要とする。 信頼できない無線ネットワーク上でのリアルタイムCVのための超エネルギー効率FLフレームワークであるFedDPQを提案する。
  論文  参考訳（メタデータ） (2025-08-03T13:05:11Z)
• Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach [34.00679567444125]
  本研究では,長期エネルギー制約下でのデータ到着や資源の可利用性に固有のランダム性に対処する動的スケジューリングと資源割当アルゴリズムを開発した。 提案アルゴリズムは, デバイススケジューリング, 計算容量調整, 帯域幅の割り当ておよび各ラウンドの送信電力を適応的に決定する。 本手法の有効性をシミュレーションにより検証し,ベースライン方式と比較して学習性能とエネルギー効率が向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-20T14:13:22Z)
• Energy-Efficient and Real-Time Sensing for Federated Continual Learning via Sample-Driven Control [21.871879862642235]
  リアルタイムセンシング(RTS)システムは、現実のダイナミクスに適応するために、継続的に知識を取得し、更新し、統合し、適用しなければならない。 本稿では,データ分散が人工知能(AI)モデルの性能に与える影響について検討する。 本研究では,RTS機能を有するモバイルエッジネットワークを対象としたSCFL(Sample-driven Control for Federated Continual Learning)技術を開発した。
  論文  参考訳（メタデータ） (2023-10-11T13:50:28Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Threshold-Based Data Exclusion Approach for Energy-Efficient Federated Edge Learning [4.25234252803357]
  Federated Edge Learning (FEEL) は次世代無線ネットワークにおいて有望な分散学習技術である。 FEELは、モデルトレーニングラウンド中に消費される電力により、エネルギー制約された参加機器の寿命を大幅に短縮する可能性がある。 本稿では,FEELラウンドにおける計算および通信エネルギー消費を最小化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T13:34:40Z)

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。