論文の概要: Device Association and Resource Allocation for Hierarchical Split Federated Learning in Space-Air-Ground Integrated Network

• arxiv url: http://arxiv.org/abs/2601.13817v1
• Date: Tue, 20 Jan 2026 10:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.263327
• Title: Device Association and Resource Allocation for Hierarchical Split Federated Learning in Space-Air-Ground Integrated Network
• Title（参考訳）: 宇宙空間統合ネットワークにおける階層型分散学習のためのデバイスアソシエーションとリソースアロケーション
• Authors: Haitao Zhao, Xiaoyu Tang, Bo Xu, Jinlong Sun, Linghao Zhang,
• Abstract要約: 6Gは宇宙空間統合ネットワーク(SAGIN)におけるフェデレートラーニング(FL)の展開を促進する 本稿では,階層的分割型フェデレート学習フレームワークを提案し,損失関数の上限を導出する。 元の問題をいくつかのサブプロブレムに分解し、デバイスアソシエーションとリソース割り当てのための反復最適化アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 12.484890461669828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 6G facilitates deployment of Federated Learning (FL) in the Space-Air-Ground Integrated Network (SAGIN), yet FL confronts challenges such as resource constrained and unbalanced data distribution. To address these issues, this paper proposes a Hierarchical Split Federated Learning (HSFL) framework and derives its upper bound of loss function. To minimize the weighted sum of training loss and latency, we formulate a joint optimization problem that integrates device association, model split layer selection, and resource allocation. We decompose the original problem into several subproblems, where an iterative optimization algorithm for device association and resource allocation based on brute-force split point search is proposed. Simulation results demonstrate that the proposed algorithm can effectively balance training efficiency and model accuracy for FL in SAGIN.
• Abstract（参考訳）: 6Gは、SAGIN(Space-Air-Ground Integrated Network)におけるフェデレートラーニング(Federated Learning)の展開を促進するが、FLはリソース制約や不均衡なデータ分散といった課題に直面している。 これらの課題に対処するために,階層型分散フェデレートラーニング(HSFL)フレームワークを提案し,損失関数の上限を導出する。 トレーニング損失と遅延の重み付けを最小化するために、デバイスアソシエーション、モデル分割層選択、リソース割り当てを統合した共同最適化問題を定式化する。 元の問題をいくつかのサブプロブレムに分解し、ブルトフォース分割点探索に基づくデバイスアソシエーションと資源配分の反復最適化アルゴリズムを提案する。 シミュレーションの結果,提案アルゴリズムは,SAGINにおけるFLのトレーニング効率とモデルの精度を効果的にバランスできることを示した。

関連論文リスト

• Efficient Split Federated Learning for Large Language Models over Communication Networks [45.02252893286613]
  分散方式で訓練済みの大規模言語モデル(LLM)を微調整することで、リソース制約のあるエッジネットワークにおいて大きな課題が生じる。 本稿では,分割フェデレーション学習とパラメータ効率のよい微調整技術を統合する新しいフレームワークであるSflLLMを提案する。 モデル分割とローランク適応(LoRA)を活用することにより、SflLLMはエッジデバイスの計算負担を軽減する。
  論文  参考訳（メタデータ） (2025-04-20T16:16:54Z)
• Hierarchical Split Federated Learning: Convergence Analysis and System Optimization [21.617769534088477]
  我々は,多層システム下での分割フェデレーション学習(SFL)の学習性能を解析し,最適化する。 モデル分割(MS)とモデル集約(MA)の合同最適化問題を定式化する。 シミュレーションの結果,任意のマルチ層システムにおいて,SFLのMSとMAを効果的に最適化できることが示された。
  論文  参考訳（メタデータ） (2024-12-10T05:20:49Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Convergence Acceleration in Wireless Federated Learning: A Stackelberg Game Approach [46.72890704790504]
  本稿では,FLOWN(Federated Learning over Wireless Network)における収束時間の共同最適化に関する問題点について検討する。 エネルギー制約下でのFLOWNの参加デバイス選択の基準とプロトコルを考察し,そのデバイス選択への影響を導出する。 本稿では,AoUに基づくデバイス選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-14T13:20:26Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Contextual Model Aggregation for Fast and Robust Federated Learning in Edge Computing [88.76112371510999]
  フェデレーション学習は、ネットワークエッジにおける分散機械学習の第一候補である。 既存のアルゴリズムは、性能の緩やかな収束や堅牢性の問題に直面している。 そこで本稿では,損失低減に対する最適コンテキスト依存境界を実現するためのコンテキストアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T21:42:31Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)

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。