論文の概要: VR-VFL: Joint Rate and Client Selection for Vehicular Federated Learning Under Imperfect CSI

• arxiv url: http://arxiv.org/abs/2602.03711v1
• Date: Tue, 03 Feb 2026 16:36:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.57862
• Title: VR-VFL: Joint Rate and Client Selection for Vehicular Federated Learning Under Imperfect CSI
• Title（参考訳）: VR-VFL:不完全なCSI下でのVehicular Federated Learningのためのジョイントレートとクライアント選択
• Authors: Metehan Karatas, Subhrakanti Dey, Christian Rohner, Jose Mairton Barros da Silva,
• Abstract要約: 本稿では,不完全チャネル状態情報に基づく可変速度車両連合学習(VR-VFL)を提案する。 VR-VFLは、動的クライアント選択と適応的な送信速度選択を組み合わせると同時に、無線条件の変化に応じてラウンドタイムを柔軟にすることができる。 本稿では,VR-VFL方式が他の手法よりも約40%高速な収束を実現することを示す。
• 参考スコア（独自算出の注目度）: 1.629772979880082
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated learning in vehicular edge networks faces major challenges in efficient resource allocation, largely due to high vehicle mobility and the presence of imperfect channel state information. Many existing methods oversimplify these realities, often assuming fixed communication rounds or ideal channel conditions, which limits their effectiveness in real-world scenarios. To address this, we propose variable rate vehicular federated learning (VR-VFL), a novel federated learning method designed specifically for vehicular networks under imperfect channel state information. VR-VFL combines dynamic client selection with adaptive transmission rate selection, while also allowing round times to flex in response to changing wireless conditions. At its core, VR-VFL is built on a bi-objective optimization framework that strikes a balance between improving learning convergence and minimizing the time required to complete each round. By accounting for both the challenges of mobility and realistic wireless constraints, VR-VFL offers a more practical and efficient approach to federated learning in vehicular edge networks. Simulation results show that the proposed VR-VFL scheme achieves convergence approximately 40% faster than other methods in the literature.
• Abstract（参考訳）: 車両エッジネットワークにおけるフェデレートラーニングは、高移動量化と不完全なチャネル状態情報の存在により、効率的な資源配分において大きな課題に直面している。 多くの既存の手法はこれらの現実を単純化し、固定された通信ラウンドや理想的なチャネル条件を仮定し、現実のシナリオにおけるそれらの有効性を制限している。 そこで本研究では,不完全なチャネル状態情報下での車両ネットワークに特化して設計された新しいフェデレーション学習手法である可変速度車両フェデレーション学習(VR-VFL)を提案する。 VR-VFLは、動的クライアント選択と適応的な送信速度選択を組み合わせると同時に、無線条件の変化に応じてラウンドタイムを柔軟にすることができる。 VR-VFLは、学習コンバージェンスの改善と各ラウンドの完了に必要な時間最小化のバランスをとる、双方向最適化フレームワーク上に構築されている。 モビリティと現実的なワイヤレス制約の両方の課題を考慮して、VR-VFLは、車載エッジネットワークにおけるフェデレーション学習に対して、より実用的で効率的なアプローチを提供する。 シミュレーションの結果,VR-VFL方式は文献の他の手法よりも約40%早く収束することがわかった。

関連論文リスト

• Decentralized Fairness Aware Multi Task Federated Learning for VR Network [12.544579930854447]
  ワイヤレス接続はバーチャルリアリティ(VR)体験を解き放つことを約束し、ユーザーはいつでもどこからでもエンゲージできる。 シームレスで高品質でリアルタイムなVRビデオをワイヤレスで配信することは、体験要件の厳しい品質、低レイテンシの制約、VRデバイスの限られた機能のために難しい。 本稿では、各BSに合わせたキャッシュ戦略に基づいて、基地局(BS)における各VRユーザの視野(FOV)をキャッシュし、プリパッチする、DMTFLベースの分散マルチタスクフェアフェデレーション学習(DMTFL)ベースのキャッシュを導入することで、これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-12-02T08:13:38Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Model Partition and Resource Allocation for Split Learning in Vehicular Edge Networks [24.85135243655983]
  本稿では,これらの課題に対処する新しいU字型分割学習(U-SFL)フレームワークを提案する。 U-SFLは、生のデータとラベルの両方をVU側に置くことで、プライバシー保護を強化することができる。 通信効率を最適化するために,送信データの次元を著しく低減する意味認識型自動エンコーダ(SAE)を導入する。
  論文  参考訳（メタデータ） (2024-11-11T07:59:13Z)
• Communication Resources Constrained Hierarchical Federated Learning for End-to-End Autonomous Driving [67.78611905156808]
  本稿では,最適化に基づくコミュニケーションリソース制約付き階層型学習フレームワークを提案する。 その結果,提案したCRCHFLは収束速度を加速し,フェデレーション学習自律運転モデルの一般化を促進することがわかった。
  論文  参考訳（メタデータ） (2023-06-28T12:44:59Z)
• MOB-FL: Mobility-Aware Federated Learning for Intelligent Connected Vehicles [21.615151912285835]
  我々は、ニューラルネットワークを協調的かつ分散的に訓練するために、近隣のICVをコーディネートする基地局を考える。 車両の移動性のため、基地局とICV間の接続は短命である。 本稿では,各トレーニングラウンドの時間と局所的なイテレーション回数を最適化し,FL-ICVフレームワークの高速化を提案する。
  論文  参考訳（メタデータ） (2022-12-07T08:53:53Z)
• Reinforcement Learning for Joint V2I Network Selection and Autonomous Driving Policies [14.518558523319518]
  自動運転車(AV)の信頼性向上に向けたV2I通信の重要性が高まっている 道路衝突を最小限に抑えるため,AVのネットワーク選択と運転ポリシーを同時に最適化することが重要である。 我々は,効率的なネットワーク選択と自律運転ポリシーを特徴付ける強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-08-03T04:33:02Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)

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。