論文の概要: Federated Hyperdimensional Computing for Resource-Constrained Industrial IoT

• arxiv url: http://arxiv.org/abs/2603.20037v1
• Date: Fri, 20 Mar 2026 15:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.205188
• Title: Federated Hyperdimensional Computing for Resource-Constrained Industrial IoT
• Title（参考訳）: 資源制約型産業用IoTのための高次元フェデレーションコンピューティング
• Authors: Nikita Zeulin, Olga Galinina, Nageen Himayat, Sergey Andreev,
• Abstract要約: 産業用IoT(Industrial Internet of Things)システムでは、エッジデバイスはメモリ、計算能力、無線帯域の厳しい制約の下で運用されることが多い。 我々は、資源制約されたIIoTのための軽量学習パラダイムとして、超次元コンピューティング(HDC)を探求する。 IIoTにおける協調学習を支援するために,高速収束速度と通信効率の両立したHDCの可能性を強調した。
• 参考スコア（独自算出の注目度）: 3.772276972399603
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the Industrial Internet of Things (IIoT) systems, edge devices often operate under strict constraints in memory, compute capability, and wireless bandwidth. These limitations challenge the deployment of advanced data analytics tasks, such as predictive and prescriptive maintenance. In this work, we explore hyperdimensional computing (HDC) as a lightweight learning paradigm for resource-constrained IIoT. Conventional centralized HDC leverages the properties of high-dimensional vector spaces to enable energy-efficient training and inference. We integrate this paradigm into a federated learning (FL) framework where devices exchange only prototype representations, which significantly reduces communication overhead. Our numerical results highlight the potential of federated HDC to support collaborative learning in IIoT with fast convergence speed and communication efficiency. These results indicate that HDC represents a lightweight and resilient framework for distributed intelligence in large-scale and resource-constrained IIoT environments.
• Abstract（参考訳）: 産業用IoT(Industrial Internet of Things)システムでは、エッジデバイスはメモリ、計算能力、無線帯域の厳しい制約の下で運用されることが多い。 これらの制限は、予測や規範的メンテナンスといった高度なデータ分析タスクの展開を困難にしている。 本研究では,資源制約型IIoTのための軽量学習パラダイムとして,超次元コンピューティング(HDC)について検討する。 従来の集中型HDCは高次元ベクトル空間の特性を活用してエネルギー効率のよいトレーニングと推論を可能にする。 我々はこのパラダイムを、デバイスがプロトタイプ表現のみを交換するフェデレートラーニング(FL)フレームワークに統合し、通信オーバーヘッドを大幅に削減する。 IIoTにおける協調学習を支援するために,高速収束速度と通信効率の両立したHDCの可能性を強調した。 これらの結果から,HDCは大規模かつリソース制約のあるIIoT環境において,分散インテリジェンスのための軽量でレジリエントなフレームワークであることが示された。

関連論文リスト

• CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge [50.42067935605982]
  ローカルメモリの効率とグローバル通信の削減を両立させる新しい圧縮・結合型学習フレームワークを提案する。 CoCo-Fedは、メモリと通信効率の両方において最先端のベースラインを著しく上回り、非IID設定下では堅牢な収束を維持している。
  論文  参考訳（メタデータ） (2026-01-02T03:39:50Z)
• Deep Learning-based Techniques for Integrated Sensing and Communication Systems: State-of-the-Art, Challenges, and Opportunities [54.12860202362483]
  本稿では,統合型センシング・通信(ISAC)システムにおける深層学習(DL-based)技術の最近の発展と研究を概観的にレビューする。 ISACは、車載ネットワークや産業用ロボティクスなど、多くの新興アプリケーションにおいて、センサーと通信機能の両方を必要とするため、6Gおよびネットワーク以上の重要なイネーブラーと見なされている。 従来の手法の代替として、DLベースの手法は計算複雑性を減らした効率的でほぼ最適のソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-23T22:27:51Z)
• Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
  本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。 バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-08-21T02:46:46Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• Deploying Large AI Models on Resource-Limited Devices with Split Federated Learning [39.73152182572741]
  本稿では、SFLAM(Quantized Split Federated Fine-Tuning Large AI Model)と呼ばれる新しいフレームワークを提案する。 エッジデバイスとサーバ間のトレーニング負荷を分割することで、SFLAMはデバイス上の大規模なモデルの操作を容易にすることができる。 SFLAMは、トレーニング効率を高めるために、量子化管理、電力制御、帯域幅割り当て戦略を取り入れている。
  論文  参考訳（メタデータ） (2025-04-12T07:55:11Z)
• Computation and Communication Efficient Lightweighting Vertical Federated Learning for Smart Building IoT [6.690593323665202]
  IoTデバイスは、ディープラーニングタスクに積極的に参加するために、基本的なデータ収集とコントロールを越えて進化している。 本稿では,計算効率と通信効率を協調的に最適化する軽量垂直統合学習フレームワークを提案する。 画像分類タスクの実験結果から,LVFLは競合学習性能を維持しつつ,資源需要を効果的に軽減することを示した。
  論文  参考訳（メタデータ） (2024-03-30T20:19:28Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• A Machine Learning Framework for Distributed Functional Compression over Wireless Channels in IoT [13.385373310554327]
  IoTデバイスは巨大なデータを生成し、最先端の機械学習技術を組み合わせてサイバー物理システムに革命をもたらす。 トレーニングや推論のためにデータを中央の場所に転送することに集中する従来のクラウドベースの手法は、ネットワークリソースに大きな負担をかけます。 我々は,GMAC(Gaussian Multiple Access Channel)とAWGN(AWGN)の両方で分散関数圧縮を行う最初の機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2022-01-24T06:38:39Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• The Synergy of Complex Event Processing and Tiny Machine Learning in Industrial IoT [7.172671995820974]
  IIoT(Industrial Internet-of-Things)は、工場運営の効率性と堅牢性を促進します。 様々なセンサーやフィールドデバイスが中心的な役割を担い、製造に関する洞察を提供する大量のリアルタイムデータを生成する。 複雑なイベント処理(CEP)と機械学習(ML)のシナジーは、異種データストリームのパターンを特定し、生データを有形事実に融合するために、IIoTで近年積極的に開発されています。 本稿では,分散センサネットワークのエッジにおけるMLとCEPのシナジーを利用するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-04T14:58:48Z)

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。