論文の概要: Joint Sensing, Communication, and Computation for Vertical Federated Edge Learning in Edge Perception Network

• arxiv url: http://arxiv.org/abs/2512.03374v1
• Date: Wed, 03 Dec 2025 02:20:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:01:32.395189
• Title: Joint Sensing, Communication, and Computation for Vertical Federated Edge Learning in Edge Perception Network
• Title（参考訳）: エッジ知覚ネットワークにおける垂直フェデレーションエッジ学習のための共同センシング・通信・計算
• Authors: Xiaowen Cao, Dingzhu Wen, Suzhi Bi, Yuanhao Cui, Guangxu Zhu, Han Hu, Yonina C. Eldar,
• Abstract要約: 本稿では,統合されたセンサ,通信,および計算可能なエッジ認識ネットワークについて考察する。 複数のエッジデバイスは、無線信号を利用してローカルモデルを更新する環境情報を検知し、エッジサーバは、グローバルモデルトレーニングのためのオーバー・ザ・エア計算によるフィーチャの埋め込みを集約する。 まず、無線センシングノイズの存在下での損失関数の劣化とAirComp中の凝集歪みからISCC対応VFEELの収束挙動を解析する。
• 参考スコア（独自算出の注目度）: 75.78245138352698
• License:
• Abstract: Combining wireless sensing and edge intelligence, edge perception networks enable intelligent data collection and processing at the network edge. However, traditional sample partition based horizontal federated edge learning struggles to effectively fuse complementary multiview information from distributed devices. To address this limitation, we propose a vertical federated edge learning (VFEEL) framework tailored for feature-partitioned sensing data. In this paper, we consider an integrated sensing, communication, and computation-enabled edge perception network, where multiple edge devices utilize wireless signals to sense environmental information for updating their local models, and the edge server aggregates feature embeddings via over-the-air computation for global model training. First, we analyze the convergence behavior of the ISCC-enabled VFEEL in terms of the loss function degradation in the presence of wireless sensing noise and aggregation distortions during AirComp.
• Abstract（参考訳）: 無線センシングとエッジインテリジェンスを組み合わせることで、エッジ認識ネットワークは、インテリジェントなデータ収集とネットワークエッジでの処理を可能にする。 しかし、従来のサンプル分割に基づく水平連合型エッジ学習は、分散デバイスから補完的なマルチビュー情報を効果的に融合させるのに苦労している。 この制限に対処するため,機能分割型センシングデータに適した垂直フェデレーションエッジ学習(VFEEL)フレームワークを提案する。 本稿では、複数のエッジデバイスが無線信号を利用してローカルモデルを更新する環境情報を検知し、エッジサーバがグローバルモデルトレーニングのためのオーバー・ザ・エア計算による特徴埋め込みを集約する、統合されたセンシング、通信、および計算可能なエッジ認識ネットワークについて考察する。 まず、無線センシングノイズの存在下での損失関数の劣化とAirComp中の凝集歪みからISCC対応VFEELの収束挙動を解析する。

関連論文リスト

• Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
  本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。 バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-08-21T02:46:46Z)
• Blind Federated Learning via Over-the-Air q-QAM [11.956183457374186]
  フェデレートされた複数のチャネル上でのエッジ学習について検討する。 我々は、連合アップリンク・ザ・エアチャネル上での先駆的なデジタル・ザ・エア変調を導入する。 エッジサーバのアンテナ数と高次変調の採用により,精度が最大60%向上することが判明した。
  論文  参考訳（メタデータ） (2023-11-07T12:02:59Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
  エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。 本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
  論文  参考訳（メタデータ） (2022-11-02T16:35:14Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Vertical Federated Edge Learning with Distributed Integrated Sensing and Communication [40.84033154889936]
  本文は, 協調物体・人体動作認識のための垂直フェデレーションエッジ学習(FEEL)システムについて検討する。 このシステムでは、分散エッジデバイスがまず無線信号を送信し、対象物や人間を検知し、次に中間計算ベクトルを交換して協調認識を行う。 人間の動作認識タスクを考慮し,我々の縦型FEELによるアプローチは,評価精度を最大98%向上し,ベンチマークよりも最大8%向上した。
  論文  参考訳（メタデータ） (2022-01-21T02:05:07Z)
• Federated Learning over Wireless Networks: A Band-limited Coordinated Descent Approach [28.616890702473526]
  ネットワークエッジにおけるフェデレート学習のための多対一無線アーキテクチャについて検討する。 エッジデバイスのローカルアップデートは、利用可能な無線通信リソースに合わせて慎重に作成および圧縮されなければならない。 本稿では,SGDに基づく帯域限定座標降下アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:21:08Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。