論文の概要: Decentralized Federated Learning With Energy Harvesting Devices

• arxiv url: http://arxiv.org/abs/2602.14051v1
• Date: Sun, 15 Feb 2026 08:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.628875
• Title: Decentralized Federated Learning With Energy Harvesting Devices
• Title（参考訳）: エネルギーハーベストングデバイスを用いた分散フェデレーション学習
• Authors: Kai Zhang, Xuanyu Cao, Khaled B. Letaief,
• Abstract要約: Decentralized Federated Learning (DFL)は、エッジデバイスが、ローカルトレーニングと完全に分散されたデバイス対デバイス交換を通じて、モデルを協調的にトレーニングすることを可能にする。 これらのエネルギー集約的な操作は、しばしば限られたデバイスバッテリーを急速に減らし、運用寿命を短縮し、学習性能を低下させる。 我々は,DFLシステムにエネルギー回収技術を適用し,エッジデバイスが環境エネルギーを抽出し,持続的に動作できるようにする。
• 参考スコア（独自算出の注目度）: 30.181040065630437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized federated learning (DFL) enables edge devices to collaboratively train models through local training and fully decentralized device-to-device (D2D) model exchanges. However, these energy-intensive operations often rapidly deplete limited device batteries, reducing their operational lifetime and degrading the learning performance. To address this limitation, we apply energy harvesting technique to DFL systems, allowing edge devices to extract ambient energy and operate sustainably. We first derive the convergence bound for wireless DFL with energy harvesting, showing that the convergence is influenced by partial device participation and transmission packet drops, both of which further depend on the available energy supply. To accelerate convergence, we formulate a joint device scheduling and power control problem and model it as a multi-agent Markov decision process (MDP). Traditional MDP algorithms (e.g., value or policy iteration) require a centralized coordinator with access to all device states and exhibit exponential complexity in the number of devices, making them impractical for large-scale decentralized networks. To overcome these challenges, we propose a fully decentralized policy iteration algorithm that leverages only local state information from two-hop neighboring devices, thereby substantially reducing both communication overhead and computational complexity. We further provide a theoretical analysis showing that the proposed decentralized algorithm achieves asymptotic optimality. Finally, comprehensive numerical experiments on real-world datasets are conducted to validate the theoretical results and corroborate the effectiveness of the proposed algorithm.
• Abstract（参考訳）: Decentralized Federated Learning (DFL)は、エッジデバイスがローカルトレーニングとD2D(Decentralized Device-to-Device)モデル交換を通じてモデルを協調的にトレーニングすることを可能にする。 しかし、これらのエネルギー集約的な操作は、しばしば限られたデバイスバッテリーを急速に減らし、運用寿命を短縮し、学習性能を低下させる。 この制限に対処するため、我々はDFLシステムにエネルギー回収技術を適用し、エッジデバイスが環境エネルギーを抽出し、持続的に動作できるようにする。 まず, 無線DFLのコンバージェンスにエネルギー回収を施すことにより, コンバージェンスは部分的なデバイス参加と伝送パケットのドロップの影響を受けており, いずれも利用可能なエネルギー供給に依存していることを示す。 収束を加速するため,共同装置のスケジューリングと電力制御問題を定式化し,マルチエージェントマルコフ決定プロセス(MDP)としてモデル化する。 従来のMDPアルゴリズム(例えば値やポリシーの反復)は、すべてのデバイス状態にアクセスでき、デバイス数で指数関数的な複雑さを示す集中コーディネータを必要とするため、大規模な分散ネットワークでは実用的ではない。 これらの課題を克服するため、我々は2つのホップ近傍デバイスからのローカル状態情報のみを活用する完全分散型ポリシー反復アルゴリズムを提案し、通信オーバーヘッドと計算複雑性の両方を大幅に低減する。 さらに,提案アルゴリズムが漸近的最適性を達成することを示す理論的解析を行った。 最後に、実世界のデータセットに関する総合的な数値実験を行い、理論的結果を検証し、提案アルゴリズムの有効性を裏付ける。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• 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)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• 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)
• 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)
• Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between Convergence and Power Transfer [42.30741737568212]
  無線電力伝送(WPT)を用いた電力機器の解法を提案する。 本研究の目的は、無線で駆動するFEEL(WP-FEEL)システムの導入に関するガイドラインの導出である。 その結果、WPTプロビジョニングに関する有用なガイドラインを提供し、学習パフォーマンスの保証を提供します。
  論文  参考訳（メタデータ） (2021-02-24T15:47:34Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)
• Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
  分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。 本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。 実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-21T07:02:07Z)

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。