論文の概要: EdgeFLow: Serverless Federated Learning via Sequential Model Migration in Edge Networks

• arxiv url: http://arxiv.org/abs/2603.02562v1
• Date: Tue, 03 Mar 2026 03:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.623359
• Title: EdgeFLow: Serverless Federated Learning via Sequential Model Migration in Edge Networks
• Title（参考訳）: EdgeFLow:エッジネットワークにおけるシーケンシャルモデルマイグレーションによるサーバレスフェデレーション学習
• Authors: Yuchen Shi, Qijun Hou, Pingyi Fan, Khaled B. Letaief,
• Abstract要約: EdgeFLowは、従来のクラウドサーバをエッジクラスタに置き換える、革新的な分散学習フレームワークである。 EdgeFLowは通信コストを大幅に削減しつつ、同等の精度の向上を実現していることを示す。
• 参考スコア（独自算出の注目度）: 28.071372082273403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) has emerged as a transformative distributed learning paradigm in the era of Internet of Things (IoT), reconceptualizing data processing methodologies. However, FL systems face significant communication bottlenecks due to inevitable client-server data exchanges and long-distance transmissions. This work presents EdgeFLow, an innovative FL framework that redesigns the system topology by replacing traditional cloud servers with sequential model migration between edge base stations. By conducting model aggregation and propagation exclusively at edge clusters, EdgeFLow eliminates cloud-based transmissions and substantially reduces global communication overhead. We provide rigorous convergence analysis for EdgeFLow under non-convex objectives and non-IID data distributions, extending classical FL convergence theory. Experimental results across various configurations validate the theoretical analysis, demonstrating that EdgeFLow achieves comparable accuracy improvements while significantly reducing communication costs. As a systemic architectural innovation for communication-efficient FL, EdgeFLow establishes a foundational framework for future developments in IoT and edge-network learning systems.
• Abstract（参考訳）: フェデレートラーニング(FL)は、IoT(Internet of Things)時代において、データ処理方法論の再構築において、トランスフォーメーションな分散学習パラダイムとして登場した。 しかし、FLシステムは、避けられないクライアントサーバデータ交換と長距離通信のために、重要な通信ボトルネックに直面している。 従来のクラウドサーバをエッジベースステーション間のシーケンシャルなモデル移行に置き換えることで,システムトポロジを再設計する,革新的なFLフレームワークであるEdgeFLowを紹介する。 エッジクラスタでのみモデルアグリゲーションと伝搬を実行することで、EdgeFLowはクラウドベースの送信を排除し、グローバル通信オーバーヘッドを大幅に削減する。 古典的FL収束理論を拡張し,非凸目的および非2次元データ分布下でのEdgeFLowの厳密な収束解析を行う。 様々な構成の実験的結果は、EdgeFLowが通信コストを大幅に削減しつつ、同等の精度の向上を実現していることを示す理論解析を検証した。 通信効率の高いFLのための体系的なアーキテクチャ革新として、EdgeFLowは、IoTおよびエッジネットワーク学習システムにおける将来の開発のための基盤となるフレームワークを確立している。

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)
• Heterogeneity-Aware Resource Allocation and Topology Design for Hierarchical Federated Edge Learning [9.900317349372383]
  Federated Learning (FL)は、モバイルデバイス上で機械学習モデルをトレーニングするためのプライバシー保護フレームワークを提供する。 従来のFLアルゴリズム、例えばFedAvgはこれらのデバイスに重い通信負荷を課す。 エッジデバイスをエッジサーバに接続し,エッジサーバをピアツーピア(P2P)エッジバックホールを介して相互接続する2層HFELシステムを提案する。 我々の目標は、戦略的資源配分とトポロジ設計により、HFELシステムの訓練効率を向上させることである。
  論文  参考訳（メタデータ） (2024-09-29T01:48:04Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• 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)
• Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
  フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。 最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。 本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
  論文  参考訳（メタデータ） (2023-03-23T02:42:10Z)
• Scalable and Low-Latency Federated Learning with Cooperative Mobile Edge Networking [11.868792440783055]
  フェデレートラーニング(FL)は、データを集中せずに協調的なモデルトレーニングを可能にする。 本稿では,モバイルエッジネットワークにおける高精度かつ低レイテンシな分散インテリジェンスを実現するために,CFEL(Cooperative Federated Edge Learning)と呼ばれる協調移動エッジネットワークに基づく新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-25T21:18:12Z)
• Federated Distillation based Indoor Localization for IoT Networks [7.219077740523683]
  フェデレート蒸留(FD)パラダイムは、最近、フェデレートラーニング(FL)の代替として提案されている。 本研究では,回帰学習問題を適切に扱うFDフレームワークを提案する。 提案手法はFLよりも拡張性が高く,無線ネットワークの拡張に対処する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-23T16:32:52Z)
• Spatio-Temporal Federated Learning for Massive Wireless Edge Networks [23.389249751372393]
  エッジサーバと多数のモバイルデバイス(クライアント)は、モバイルデバイスが収集した膨大なデータをエッジサーバに転送することなく、グローバルモデルを共同で学習する。 提案手法は,STFLに参加する予定の様々なモバイルデバイスからの学習更新の空間的および時間的相関を利用している。 収束性能を用いてSTFLの学習能力を研究するために,STFLの分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T16:46:45Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Reconfigurable Intelligent Surface Enabled Federated Learning: A Unified Communication-Learning Design Approach [30.1988598440727]
  我々は,デバイス選択,無線トランシーバ設計,RIS構成を協調的に最適化する統一的なコミュニケーション学習最適化問題を開発した。 数値実験により,提案手法は最先端の手法と比較して,学習精度が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-11-20T08:54:13Z)

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。