論文の概要: ASFL: An Adaptive Model Splitting and Resource Allocation Framework for Split Federated Learning
- arxiv url: http://arxiv.org/abs/2603.04437v1
- Date: Thu, 19 Feb 2026 05:46:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 01:20:08.214303
- Title: ASFL: An Adaptive Model Splitting and Resource Allocation Framework for Split Federated Learning
- Title（参考訳）: ASFL(Adaptive Model Splitting and Resource Allocation Framework for Splitated Learning)
- Abstract要約: 本稿では,無線ネットワーク上でのASFL(Adaptive split Federated Learning)フレームワークを提案する。
ASFLは中央サーバの計算資源を利用してモデルをトレーニングし、適応的なモデルの分割を可能にする。
提案するASFLフレームワークは, より高速に収束し, 総遅延およびエネルギー消費を最大75%, 80%削減することを示した。
- 参考スコア（独自算出の注目度）: 19.973768722251393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning (FL) enables multiple clients to collaboratively train a machine learning model without sharing their raw data. However, the limited computation resources of the clients may result in a high delay and energy consumption on training. In this paper, we propose an adaptive split federated learning (ASFL) framework over wireless networks. ASFL exploits the computation resources of the central server to train part of the model and enables adaptive model splitting as well as resource allocation during training. To optimize the learning performance (i.e., convergence rate) and efficiency (i.e., delay and energy consumption) of ASFL, we theoretically analyze the convergence rate and formulate a joint learning performance and resource allocation optimization problem. Solving this problem is challenging due to the long-term delay and energy consumption constraints as well as the coupling of the model splitting and resource allocation decisions. We propose an online optimization enhanced block coordinate descent (OOE-BCD) algorithm to solve the problem iteratively. Experimental results show that when compared with five baseline schemes, our proposed ASFL framework converges faster and reduces the total delay and energy consumption by up to 75% and 80%, respectively.
- Abstract（参考訳）: フェデレートラーニング(FL)は、複数のクライアントが生データを共有せずに、機械学習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、クライアントの限られた計算資源は、訓練に高い遅延とエネルギー消費をもたらす可能性がある。
本稿では,無線ネットワーク上でのASFL(Adaptive split Federated Learning)フレームワークを提案する。
ASFLは、中央サーバの計算資源を利用してモデルの一部をトレーニングし、適応的なモデルの分割とトレーニング中のリソース割り当てを可能にします。
本稿では,ASFLの学習性能(収束率)と効率(遅延とエネルギー消費)を最適化するために,収束率を理論的に解析し,共同学習性能と資源配分最適化問題を定式化する。
この問題の解決は、長期の遅延とエネルギー消費の制約、およびモデルの分割と資源配分の決定の結合によって困難である。
そこで我々は,オンライン最適化改良ブロック座標降下法 (OOE-BCD) アルゴリズムを提案し,その問題を反復的に解く。
実験の結果,提案したASFLフレームワークは, 5つのベースラインスキームと比較すると, より高速に収束し, 総遅延およびエネルギー消費量を最大75%, 80%削減できることがわかった。
関連論文リスト
- Efficient Resource Optimization for Split Federated Learning [13.044538176308023]
スプリット・フェデレーションド・ラーニング(SFL)は、エッジでのモデルトレーニングの強力なパラダイムとして登場した。
SFLの以前の最適化スキームは、テキスト理論的あるいはテキスト計算的に非効率的であり、大規模なユーザ人口を扱えない。
本研究は,資源制約ネットワーク下でのSFLの効率的な最適化フレームワークを確立する。
論文 参考訳（メタデータ） (2026-08-18T14:44:46Z) - SHeRL-FL: When Representation Learning Meets Split Learning in Hierarchical Federated Learning [5.447833971100033]
Federated Learning(FL)は、大規模ネットワークにおけるスケーラビリティとレイテンシの問題に対処するための、有望なアプローチである。
これまでの作業では、分割学習(SL)と階層FL(HierFL)を組み合わせてデバイス側の計算を削減しているが、これは階層間の調整によるトレーニングの複雑さをもたらす。
SLと階層モデルアグリゲーションを統合し,中間層での表現学習を取り入れたSHeRL-FLを提案する。
論文 参考訳（メタデータ） (2025-08-11T04:13:56Z) - AdaptSFL: Adaptive Split Federated Learning in Resource-constrained Edge Networks [15.195798715517315]
Split Federated Learning(SFL)は、モデルのパーティショニングを通じて、最初のトレーニングワークロードをサーバにfloadする、有望なソリューションである。
本稿では,資源制約付きエッジコンピューティングシステムにおいて,SFLを高速化するための新しいリソース適応型SFLフレームワークであるAdaptSFLを提案する。
論文 参考訳（メタデータ） (2024-03-19T19:05:24Z) - Client Orchestration and Cost-Efficient Joint Optimization for
NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。
提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-03T13:34:44Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳（メタデータ） (2023-09-04T21:10:45Z) - Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。
本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。
提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
論文 参考訳（メタデータ） (2023-05-15T22:04:49Z) - Efficient Parallel Split Learning over Resource-constrained Wireless
Edge Networks [44.37047471448793]
本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。
そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。
提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2023-03-26T16:09:48Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-26T08:13:22Z) - AnycostFL: Efficient On-Demand Federated Learning over Heterogeneous
Edge Devices [20.52519915112099]
我々はAny CostFLというコスト調整可能なFLフレームワークを提案し、多様なエッジデバイスがローカル更新を効率的に実行できるようにする。
実験結果から,我々の学習フレームワークは,適切なグローバルテスト精度を実現するために,トレーニング遅延とエネルギー消費の最大1.9倍の削減が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-01-08T15:25:55Z) - 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) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z)
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。