論文の概要: Efficient Asynchronous Federated Evaluation with Strategy Similarity Awareness for Intent-Based Networking in Industrial Internet of Things

• arxiv url: http://arxiv.org/abs/2512.20627v1
• Date: Fri, 28 Nov 2025 09:03:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 00:37:57.092908
• Title: Efficient Asynchronous Federated Evaluation with Strategy Similarity Awareness for Intent-Based Networking in Industrial Internet of Things
• Title（参考訳）: 産業用インターネットにおけるインテントベースネットワークの戦略類似性を考慮した効率的な非同期フェデレーション評価
• Authors: Shaowen Qin, Jianfeng Zeng, Haodong Guo, Xiaohuan Li, Jiawen Kang, Qian Chen, Dusit Niyato,
• Abstract要約: 本稿では,Federated Evaluation Enhanced Intent-Based NetworkingフレームワークであるFEIBNを提案する。 SSAFLはSemiAsynでモデル精度を向上し、モデル収束を加速し、コストを27.8%削減できることを示す。
• 参考スコア（独自算出の注目度）: 42.55497517367321
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intent-Based Networking (IBN) offers a promising paradigm for intelligent and automated network control in Industrial Internet of Things (IIoT) environments by translating high-level user intents into executable network strategies. However, frequent strategy deployment and rollback are impractical in real-world IIoT systems due to tightly coupled workflows and high downtime costs, while the heterogeneity and privacy constraints of IIoT nodes further complicate centralized policy verification. To address these challenges, we propose FEIBN, a Federated Evaluation Enhanced Intent-Based Networking framework. FEIBN leverages large language models (LLMs) to align multimodal user intents into structured strategy tuples and employs federated learning to perform distributed policy verification across IIoT nodes without exposing raw data. To improve training efficiency and reduce communication overhead, we design SSAFL, a Strategy Similarity Aware Federated Learning mechanism that selects task-relevant nodes based on strategy similarity and resource status, and triggers asynchronous model uploads only when updates are significant. Experiments demonstrate that SSAFL can improve model accuracy, accelerate model convergence, and reduce the cost by 27.8% compared with SemiAsyn.
• Abstract（参考訳）: Intent-Based Networking (IBN)は、高レベルのユーザ意図を実行可能なネットワーク戦略に変換することで、産業用IoT(Industrial Internet of Things)環境でのインテリジェントで自動化されたネットワーク制御のための有望なパラダイムを提供する。 しかし、ワークフローの密結合と高ダウンタイムコストのため、現実世界のIIoTシステムでは、頻繁な戦略展開とロールバックは実用的ではないが、IIoTノードの不均一性とプライバシの制約は、さらに集中的なポリシ検証を複雑にする。 これらの課題に対処するため,フェデレート評価強化Intent-Based NetworkingフレームワークであるFEIBNを提案する。 FEIBNは、大規模言語モデル(LLM)を活用して、マルチモーダルユーザ意図を構造化戦略タプルに整合させ、フェデレート学習を使用して、生データを公開せずにIIoTノード間で分散ポリシ検証を実行する。 学習効率の向上と通信オーバーヘッドの低減を目的として,戦略類似性を考慮したフェデレート学習機構であるSSAFLを設計し,更新が重要である場合にのみ非同期モデルアップロードをトリガする。 実験により、SSAFLはSemiAsynと比較してモデル精度を改善し、モデル収束を加速し、コストを27.8%削減できることが示された。

関連論文リスト

• Meta Hierarchical Reinforcement Learning for Scalable Resource Management in O-RAN [9.290879387995401]
  本稿では,モデル非依存型メタラーニング(MAML)に触発された適応型メタ階層型強化学習フレームワークを提案する。 このフレームワークは階層的な制御とメタラーニングを統合し、グローバルとローカルの両方の適応を可能にする。 ネットワークスケールの増加に伴い、適応と一貫性のある公平性、レイテンシ、スループットのパフォーマンスが最大40%向上する。
  論文  参考訳（メタデータ） (2025-12-08T08:16:27Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Client Selection Strategies for Federated Semantic Communications in Heterogeneous IoT Networks [0.3683202928838613]
  IoTデバイスの指数的成長は、帯域幅制限の無線ネットワークにおいて重要な課題となる。 本稿では,画像再構成のための帯域効率の良いモデルの協調学習を可能にする,新しい意味コミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-20T15:11:20Z)
• FedRTS: Federated Robust Pruning via Combinatorial Thompson Sampling [11.913924455236652]
  フェデレートラーニング(FL)は、データ共有なしで分散クライアント間で協調的なモデルトレーニングを可能にする。 現在の手法では、疎密性を維持しながらスパースモデルトポロジを周期的に調整することで、動的プルーニングを用いて効率を向上させる。 我々は,堅牢なスパースモデルの開発を目的とした新しいフレームワークであるThompson Sampling (FedRTS) によるフェデレートロバスト刈取を提案する。
  論文  参考訳（メタデータ） (2025-01-31T13:26:22Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• 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)
• RPN: A Residual Pooling Network for Efficient Federated Learning [20.363206529396948]
  我々はResidual Pooling Network(RPN)と呼ばれる新しい圧縮戦略を提案する。 RPNはデータ転送を効果的に削減するが、標準のフェデレート学習と比べてほぼ同じ性能を達成する。 我々の新しいアプローチはエンドツーエンドのプロシージャとして機能し、CNNベースのモデルトレーニングシナリオにも容易に適用できるはずです。
  論文  参考訳（メタデータ） (2020-01-23T15:30:56Z)

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。