論文の概要: Age-Aware Edge-Blind Federated Learning via Over-the-Air Aggregation
- arxiv url: http://arxiv.org/abs/2602.02469v1
- Date: Mon, 02 Feb 2026 18:50:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:34.380922
- Title: Age-Aware Edge-Blind Federated Learning via Over-the-Air Aggregation
- Title（参考訳）: 航空集団によるエッジブラインドフェデレーション学習
- Authors: Ahmed M. Elshazly, Ahmed Arafa,
- Abstract要約: 本研究では,複数のデバイスが同時にモデル更新を行う無線フェージングチャネル上でのフェデレーション学習について検討する。
そこで本稿では,機器のチャネル状態情報を必要とせず,効率の良いエンファージ対応エッジブレンドオーバーザエアFL手法を提案する。
- 参考スコア（独自算出の注目度）: 2.750124853532831
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study federated learning (FL) over wireless fading channels where multiple devices simultaneously send their model updates. We propose an efficient \emph{age-aware edge-blind over-the-air FL} approach that does not require channel state information (CSI) at the devices. Instead, the parameter server (PS) uses multiple antennas and applies maximum-ratio combining (MRC) based on its estimated sum of the channel gains to detect the parameter updates. A key challenge is that the number of orthogonal subcarriers is limited; thus, transmitting many parameters requires multiple Orthogonal Frequency Division Multiplexing (OFDM) symbols, which increases latency. To address this, the PS selects only a small subset of model coordinates each round using \emph{AgeTop-\(k\)}, which first picks the largest-magnitude entries and then chooses the \(k\) coordinates with the longest waiting times since they were last selected. This ensures that all selected parameters fit into a single OFDM symbol, reducing latency. We provide a convergence bound that highlights the advantages of using a higher number of antenna array elements and demonstrates a key trade-off: increasing \(k\) decreases compression error at the cost of increasing the effect of channel noise. Experimental results show that (i) more PS antennas greatly improve accuracy and convergence speed; (ii) AgeTop-\(k\) outperforms random selection under relatively good channel conditions; and (iii) the optimum \(k\) depends on the channel, with smaller \(k\) being better in noisy settings.
- Abstract（参考訳）: 本稿では,複数のデバイスが同時にモデル更新を行う無線フェージングチャネル上でのフェデレーション学習(FL)について検討する。
本稿では, チャネル状態情報 (CSI) を必要としない, エッジを意識した効率のよい FL アプローチを提案する。
代わりに、パラメータサーバ(PS)は複数のアンテナを使用し、その推定したチャネルゲインの合計に基づいて最大比結合(MRC)を適用し、パラメータ更新を検出する。
重要な課題は直交サブキャリアの数が限られていることであり、多くのパラメータを送信するには複数の直交周波数分割多重化(OFDM)シンボルが必要である。
この問題に対処するため、PSは、各ラウンドのモデル座標の小さな部分集合のみを、最初に最大のマグニチュードエントリを選択して、最後に選択されて以来最も長い待ち時間を持つ \(k\) 座標を選択した \emph{AgeTop-\(k\)} を用いて選択する。
これにより、選択されたすべてのパラメータが単一のOFDMシンボルに適合し、レイテンシが削減される。
本稿では,アンテナアレイ素子の数が多いことの利点を浮き彫りにして重要なトレードオフを示す収束バウンダリを提案する。
実験の結果
(i)PSアンテナの精度と収束速度を大幅に向上させる。
(ii)AgeTop-\(k\)は比較的良好なチャネル条件下でのランダム選択より優れ、
(iii) 最適な \(k\) はチャネルに依存し、より小さい \(k\) はノイズの多い設定でよい。
関連論文リスト
- Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。
それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。
PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文 参考訳（メタデータ） (2025-02-12T18:54:10Z) - HoloBeam: Learning Optimal Beamforming in Far-Field Holographic
Metasurface Transceivers [5.402030962296633]
ミリ波およびテラヘルツ波通信におけるビームフォーミングのための大型アンテナアレイの代用として,ホログラフィック・メタサーフェス・トランシーバー (HMT) が登場している。
HMTにおけるビームフォーミングによる所望のチャネルゲインを達成するには、多数の要素の位相シフトを適切に設定する必要がある。
遠距離領域の受信機における受信信号強度をビームフォーミングし最大化するために,固定予算のマルチアーム・バンディット・フレームワークを用いた学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-30T03:29:32Z) - DEFORM: A Practical, Universal Deep Beamforming System [4.450750414447688]
我々は、ユニバーサルレシーバービームフォーミング技術を紹介し、設計し、評価する。
我々のアプローチとシステムDEFORMは、深層学習(DL)ベースのRXビームフォーミングであり、マルチアンテナRF受信機において大きな利益をもたらす。
論文 参考訳（メタデータ） (2022-03-18T03:52:18Z) - FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。
提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。
Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
論文 参考訳（メタデータ） (2021-08-27T03:07:55Z) - Two-step Machine Learning Approach for Channel Estimation with Mixed
Resolution RF Chains [19.0581196881206]
機械学習(ML)アルゴリズムを適用し,効率的なアップリンクチャネル推定手法を提案する。
第1ステップでは、条件付き生成逆転ネットワーク(cGAN)は、フル解像度RFチェーンの限られたセットから低解像度RFチェーンアンテナ要素の残りの部分まで、無線チャネルを予測します。
長期長期メモリ(LSTM)ニューラルネットワークは、低分解能RFチェーンアンテナ要素からさらなる位相情報を抽出します。
論文 参考訳（メタデータ） (2021-01-24T12:33:54Z) - Rate Region for Indirect Multiterminal Source Coding in Federated
Learning [49.574683687858126]
多数のエッジデバイスは、ローカルモデルの各ラウンドでアップデートをエッジに送信します。
既存の作品は、異なるエッジによって送信される情報の焦点を活用しない。
本稿では,間接多端音源符号化 fl のレート領域について検討する。
論文 参考訳（メタデータ） (2021-01-21T16:17:39Z) - Blind Federated Edge Learning [93.29571175702735]
フェデレーションエッジ学習(FEEL)について検討し,それぞれが独自のデータセットを持つ無線エッジデバイスでグローバルモデルを学ぶ。
そこで本研究では,デバイスがローカル更新を非符号化方式で送信する,アナログオーバ・ザ・エアのアグリゲーション方式を提案する。
論文 参考訳（メタデータ） (2020-10-19T16:22:28Z) - Antenna Selection for Improving Energy Efficiency in XL-MIMO Systems [31.497083605792685]
本稿では,最近提案された大規模大規模マルチインプット多重出力(XL-MIMO)システムについて考察する。
緑の視点では、数百から数千のアンテナを同時に起動することは効果的ではない。
総エネルギー効率(EE)の最大化を目的とした,XL-MIMOシステムに展開する4つのアンテナ選択(AS)手法を提案する。
論文 参考訳（メタデータ） (2020-09-05T14:43:21Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳（メタデータ） (2020-09-03T13:38:52Z) - Harnessing Wireless Channels for Scalable and Privacy-Preserving
Federated Learning [56.94644428312295]
無線接続は、フェデレートラーニング(FL)の実現に有効である
Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。
A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。
これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
論文 参考訳（メタデータ） (2020-07-03T16:31:15Z)
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。