論文の概要: Time-varying Mixing Matrix Design for Energy-efficient Decentralized Federated Learning

• arxiv url: http://arxiv.org/abs/2512.24069v1
• Date: Tue, 30 Dec 2025 08:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.3252
• Title: Time-varying Mixing Matrix Design for Energy-efficient Decentralized Federated Learning
• Title（参考訳）: エネルギー効率の良い分散学習のための時変混合行列設計
• Authors: Xusheng Zhang, Tuan Nguyen, Ting He,
• Abstract要約: 本稿では, 収束までのノード当たりのエネルギー消費を最小化することを目的とした, マトリックス設計を混合するための理論的に最適化された解を提案する。 実データに基づく評価では, スパース混合行列の低エネルギー消費と高密度混合行列の高速収束を組み合わせ, 提案手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 6.831984901330601
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the design of mixing matrices to minimize the operation cost for decentralized federated learning (DFL) in wireless networks, with focus on minimizing the maximum per-node energy consumption. As a critical hyperparameter for DFL, the mixing matrix controls both the convergence rate and the needs of agent-to-agent communications, and has thus been studied extensively. However, existing designs mostly focused on minimizing the communication time, leaving open the minimization of per-node energy consumption that is critical for energy-constrained devices. This work addresses this gap through a theoretically-justified solution for mixing matrix design that aims at minimizing the maximum per-node energy consumption until convergence, while taking into account the broadcast nature of wireless communications. Based on a novel convergence theorem that allows arbitrarily time-varying mixing matrices, we propose a multi-phase design framework that activates time-varying communication topologies under optimized budgets to trade off the per-iteration energy consumption and the convergence rate while balancing the energy consumption across nodes. Our evaluations based on real data have validated the efficacy of the proposed solution in combining the low energy consumption of sparse mixing matrices and the fast convergence of dense mixing matrices.
• Abstract（参考訳）: 無線ネットワークにおける分散化フェデレーション学習(DFL)の運用コストを最小化するための混合行列の設計を考察し,ノード当たりのエネルギー消費の最大化に焦点をあてる。 DFLの臨界ハイパーパラメータとして、混合行列は収束率とエージェント対エージェント通信の必要性の両方を制御し、広く研究されている。 しかし、既存の設計は主に通信時間の最小化に重点を置いており、エネルギー制約のあるデバイスにとって重要なノード当たりのエネルギー消費の最小化が残された。 本研究は, 無線通信の放送特性を考慮しつつ, 収束までノード当たりのエネルギー消費を最小化することを目的とした, マトリックス設計を混合する理論的に最適化された解によって, このギャップに対処するものである。 任意の時間変化の混合行列を可能にする新しい収束定理に基づき、最適化予算の下で時間変化の通信トポロジを活性化する多相設計フレームワークを提案し、ノード間のエネルギー消費のバランスを保ちながら、イテレーション当たりのエネルギー消費と収束率をトレードオフする。 実データに基づく評価では, スパース混合行列の低エネルギー消費と高密度混合行列の高速収束を組み合わせ, 提案手法の有効性を検証した。

関連論文リスト

• Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
  Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。 閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。 LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
  論文  参考訳（メタデータ） (2025-07-13T09:14:17Z)
• 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)
• Federated Learning With Energy Harvesting Devices: An MDP Framework [17.87295300394514]
  フェデレートラーニング(FL)は、エッジデバイスがローカルなトレーニングを行い、パラメータサーバと通信することを要求する。 実用FLシステムにおける重要な課題は、バッテリ寿命を制限し、学習性能に影響を及ぼす、バッテリ制限のエッジデバイスが急速に枯渇することである。 FLシステムにエネルギー回収技術を導入し、環境エネルギーを捕捉し、エッジデバイスに連続的な電力を供給する。
  論文  参考訳（メタデータ） (2024-05-17T03:41:40Z)
• 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)
• 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)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Efficient Federated Meta-Learning over Multi-Access Wireless Networks [26.513076310183273]
  フェデレーションメタラーニング(FML)は、今日のエッジラーニング分野におけるデータ制限と不均一性に対処するための、有望なパラダイムとして登場した。 本稿では,FMLアルゴリズム(NUFM)を一様でないデバイス選択方式で開発し,収束を加速する。 本稿では,マルチアクセス無線システムにおけるNUFMの統合による資源配分問題を提案する。
  論文  参考訳（メタデータ） (2021-08-14T03:23:04Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。