論文の概要: Link-Aware Energy-Frugal Continual Learning for Fault Detection in IoT Networks

• arxiv url: http://arxiv.org/abs/2512.13340v1
• Date: Mon, 15 Dec 2025 13:54:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.686451
• Title: Link-Aware Energy-Frugal Continual Learning for Fault Detection in IoT Networks
• Title（参考訳）: IoTネットワークにおける障害検出のためのリンク型エネルギーフルーガル連続学習
• Authors: Henrik C. M. Frederiksen, Junya Shiraishi, Cedomir Stefanovic, Hei Victor Cheng, Shashi Raj Pandey,
• Abstract要約: この記事では、エネルギー効率のよい障害検出のためのIoTネットワークにおける継続的学習を戦略的に統合する、イベント駆動型通信フレームワークを紹介します。 我々のフレームワークは,通信用無線リンク条件と利用可能なエネルギー予算に適応することにより,IoTデバイスとエッジサーバが,軽量MLモデルを協調的に更新することを可能にする。
• 参考スコア（独自算出の注目度）: 12.624687243042503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of lightweight machine learning (ML) models in internet of things (IoT) networks enables resource constrained IoT devices to perform on-device inference for several critical applications. However, the inference accuracy deteriorates due to the non-stationarity in the IoT environment and limited initial training data. To counteract this, the deployed models can be updated occasionally with new observed data samples. However, this approach consumes additional energy, which is undesirable for energy constrained IoT devices. This letter introduces an event-driven communication framework that strategically integrates continual learning (CL) in IoT networks for energy-efficient fault detection. Our framework enables the IoT device and the edge server (ES) to collaboratively update the lightweight ML model by adapting to the wireless link conditions for communication and the available energy budget. Evaluation on real-world datasets show that the proposed approach can outperform both periodic sampling and non-adaptive CL in terms of inference recall; our proposed approach achieves up to a 42.8% improvement, even under tight energy and bandwidth constraint.
• Abstract（参考訳）: モノのインターネット(IoT)ネットワークにおける軽量機械学習(ML)モデルの使用により、リソース制約のIoTデバイスは、いくつかの重要なアプリケーションに対してデバイス上の推論を実行できるようになる。 しかし、IoT環境の非定常性や、初期トレーニングデータに制限があるため、推論精度は低下する。 これに対抗するために、デプロイされたモデルは、新しい観測データサンプルで時々更新できる。 しかし、このアプローチはエネルギーを消費するので、エネルギーに制約されたIoTデバイスには望ましくない。 この記事では、エネルギー効率のよい障害検出のために、IoTネットワークに継続的学習(CL)を戦略的に統合する、イベント駆動型通信フレームワークを紹介します。 我々のフレームワークは、通信のための無線リンク条件と利用可能なエネルギー予算に適応することにより、IoTデバイスとエッジサーバ(ES)が、軽量MLモデルを協調的に更新することを可能にする。 実世界のデータセットを評価したところ,提案手法は周期的サンプリングと非適応的CLの両方を推論リコールで上回り,提案手法はエネルギーと帯域幅の制約の下でも最大42.8%の改善を実現している。

関連論文リスト

• Energy-Efficient Quantized Federated Learning for Resource-constrained IoT devices [9.155660949247588]
  フェデレーテッド・ラーニングは、協調機械学習を実現するための有望なパラダイムとして登場した。 資源に制約のあるIoTデバイスは、限られたエネルギー、信頼性の低い通信チャネル、無限ブロック長伝送を仮定する非現実性のために困難に直面している。 本稿では,有限ブロック長伝送,モデル量子化,エラー認識集約機構を統合したIoTネットワークのためのフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-16T08:31:46Z)
• AoI in Context-Aware Hybrid Radio-Optical IoT Networks [8.467370216900107]
  光通信(OC)を無線周波数(RF)の強化媒体とするハイブリッドIoTネットワークについて検討する。 我々は、スループットの収集とエネルギーの最小化と技術間の切り替え頻度のバランスをとるために、多目的最適化戦略を採用する。 シミュレーションの結果,OC補充統合によりネットワーク全体の性能が向上し,Mean AoI と Peak AoI が大幅に削減された。
  論文  参考訳（メタデータ） (2024-12-17T13:48:25Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in EdgeIoT [53.68792408315411]
  フェデレートラーニング(FL)は、モバイルエッジコンピューティングベースのInternet of Thing(EdgeIoT)における盗聴攻撃からデータトレーニングプライバシを保護するために、ますます検討されている。 本研究では,連続領域における最適精度とエネルギー収支を達成するために,FLDLT3フレームワークを提案する。 その結果、FL-DLT3は100回未満の高速収束を実現し、FLの精度-エネルギー消費比は既存の最先端ベンチマークと比較して51.8%向上した。
  論文  参考訳（メタデータ） (2022-02-15T13:36:15Z)
• Communication-oriented Model Fine-tuning for Packet-loss Resilient Distributed Inference under Highly Lossy IoT Networks [6.107812768939554]
  分散推論(DI)は、リソース制約のあるモノのインターネット(IoT)デバイス上で、最先端のディープラーニング(ML)によって強化されたリアルタイムアプリケーションのためのテクニックである。 DIでは、計算タスクは、損失の多いIoTネットワークを介して、IoTデバイスからエッジサーバにオフロードされる。 低遅延かつ信頼性の低い通信リンクで高精度なDIを実現するための通信指向モデルチューニング(COMtune)を提案する。
  論文  参考訳（メタデータ） (2021-12-17T09:40:21Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• 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)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)

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。