論文の概要: CALF: Communication-Aware Learning Framework for Distributed Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2603.12543v1
• Date: Fri, 13 Mar 2026 01:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.82619
• Title: CALF: Communication-Aware Learning Framework for Distributed Reinforcement Learning
• Title（参考訳）: CALF:分散強化学習のためのコミュニケーション認識学習フレームワーク
• Authors: Carlos Purves, Pietro Lio',
• Abstract要約: CALF(Communication-Aware Learning Framework)は、シミュレーション中に現実的なネットワークモデルの下でポリシーを訓練する。 実験によると、ネットワーク対応のトレーニングは、デプロイメントのパフォーマンスギャップを大幅に減らす。 これらの知見は、Wi-Fiのような分散配置のためのsim-to-real転送の主軸としてネットワーク条件を確立する。
• 参考スコア（独自算出の注目度）: 12.64489863177235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributed reinforcement learning policies face network delays, jitter, and packet loss when deployed across edge devices and cloud servers. Standard RL training assumes zero-latency interaction, causing severe performance degradation under realistic network conditions. We introduce CALF (Communication-Aware Learning Framework), which trains policies under realistic network models during simulation. Systematic experiments demonstrate that network-aware training substantially reduces deployment performance gaps compared to network-agnostic baselines. Distributed policy deployments across heterogeneous hardware validate that explicitly modelling communication constraints during training enables robust real-world execution. These findings establish network conditions as a major axis of sim-to-real transfer for Wi-Fi-like distributed deployments, complementing physics and visual domain randomisation.
• Abstract（参考訳）: 分散強化学習ポリシは、エッジデバイスやクラウドサーバにデプロイされた場合、ネットワーク遅延、ジッタ、パケットロスに直面します。 標準RLトレーニングはゼロレイテンシ相互作用を前提としており、現実的なネットワーク条件下での大幅な性能劣化を引き起こす。 本稿では、シミュレーション中に現実的なネットワークモデルの下でポリシーを訓練するCALF(Communication-Aware Learning Framework)を紹介する。 ネットワーク認識トレーニングは,ネットワークに依存しないベースラインに比べて,デプロイメントパフォーマンスのギャップを大幅に低減する。 不均一なハードウェアにまたがる分散ポリシデプロイメントは、トレーニング中の通信制約を明示的にモデル化することで、堅牢な実世界の実行を可能にする。 これらの知見は、Wi-Fiのような分散配置のためのシミュレート・トゥ・リアル転送の主軸としてネットワーク条件を確立し、物理と視覚領域のランダム化を補完する。

関連論文リスト

• Robustness of Reinforcement Learning-Based Traffic Signal Control under Incidents: A Comparative Study [4.731967623788092]
  強化学習に基づく交通信号制御 (RL-TSC) が都市移動性向上のための有望なアプローチとして浮上している。 本研究では,動的インシデントシナリオ下でのRL-TSC手法のトレーニングと評価を行うオープンソースSUMOベースのシミュレーションフレームワークであるT-REXを紹介する。
  論文  参考訳（メタデータ） (2025-06-16T08:15:29Z)
• 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)
• Federated Split Learning with Model Pruning and Gradient Quantization in Wireless Networks [7.439160287320074]
  Federated split learning (FedSL)は、モデル分割によるエッジデバイスとサーバ間の協調トレーニングを実装している。 本稿では,リソース制約のあるエッジデバイスのトレーニング負担を軽減する軽量なFedSL方式を提案する。 提案手法の収束性能を定量化するために理論的解析を行う。
  論文  参考訳（メタデータ） (2024-12-09T11:43:03Z)
• 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)
• FedDCT: A Dynamic Cross-Tier Federated Learning Framework in Wireless Networks [5.914766366715661]
  フェデレートラーニング(FL)は、ローカルデータを公開せずにデバイス全体でグローバルモデルをトレーニングする。 無線ネットワークにおけるリソースの不均一性と避けられないストラグラーは、FLトレーニングの効率と正確性に大きな影響を与えます。 動的クロスティアフェデレーション学習フレームワーク(FedDCT)を提案する。
  論文  参考訳（メタデータ） (2023-07-10T08:54:07Z)
• Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning Framework for Congestion Control in Tactical Environments [53.08686495706487]
  本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。 衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
  論文  参考訳（メタデータ） (2023-06-27T16:15:15Z)
• Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks [56.91063444859008]
  Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。 FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。 年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-12-14T17:33:01Z)
• Convergence Analysis and System Design for Federated Learning over Wireless Networks [16.978276697446724]
  フェデレートラーニング(FL)は、IoTにおいて重要かつ有望な学習スキームとして登場した。 FLトレーニングは、無線通信ネットワークに大きく影響される頻繁なモデル交換を必要とします。 本論文では,コミュニケーションネットワークとトレーニング設定の協調影響を考慮したFLトレーニングの収束率を解析する。
  論文  参考訳（メタデータ） (2021-04-30T02:33:29Z)

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。