論文の概要: CARGO: Carbon-Aware Gossip Orchestration in Smart Shipping

• arxiv url: http://arxiv.org/abs/2603.27857v1
• Date: Sun, 29 Mar 2026 20:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.144995
• Title: CARGO: Carbon-Aware Gossip Orchestration in Smart Shipping
• Title（参考訳）: CARGO: スマートシップにおけるカーボン対応ゴシップオーケストレーション
• Authors: Alexandros S. Kalafatelis, Nikolaos Nomikos, Vasileios Nikolakakis, Nikolaos Tsoulakos, Panagiotis Trakadas,
• Abstract要約: CARGOは、スマートシップのための炭素を意識したゴシップオーケストレーションフレームワークである。 実運用バルクキャリアエンジンデータとトレース駆動海洋通信プロトコルを用いて,予測保守シナリオ下でのCARGOの評価を行った。
• 参考スコア（独自算出の注目度）: 39.11990551981631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smart shipping operations increasingly depend on collaborative AI, yet the underlying data are generated across vessels with uneven connectivity, limited backhaul, and clear commercial sensitivity. In such settings, server-coordinated FL remains a weak systems assumption, depending on a reachable aggregation point and repeated wide-area synchronization, both of which are difficult to guarantee in maritime networks. A serverless gossip approach therefore represents a more natural approach, but existing methods still treat communication mainly as an optimization bottleneck, rather than as a resource that must be managed jointly with carbon cost, reliability, and long-term participation balance. In this context, this paper presents CARGO, a carbon-aware gossip orchestration framework for smart-shipping. CARGO separates learning into a control and a data plane. The data plane performs local optimization with compressed gossip exchange, while the control plane decides, at each round, which vessels should participate, which communication edges should be activated, how aggressively updates should be compressed, and when recovery actions should be triggered. We evaluate CARGO under a predictive-maintenance scenario using operational bulk-carrier engine data and a trace-driven maritime communication protocol that captures client dropout, partial participation, packet loss, and multiple connectivity regimes, derived from mobility-aware vessel interactions. Across the tested stress settings, CARGO consistently remains in the high-accuracy regime while reducing carbon footprint and communication overheads, compared to accuracy-competitive decentralized baselines. Overall, the conducted performance evaluation demonstrates that CARGO is a feasible and practical solution for reliable and resource-conscious maritime AI deployment.
• Abstract（参考訳）: スマートな出荷操作は、コラボレーティブAIにますます依存するが、基礎となるデータは、不均一な接続性、バックホールの制限、明確な商業感度を備えた船間で生成される。 このような設定では、サーバ協調FLは、到達可能なアグリゲーションポイントと繰り返し広域同期に依存する弱いシステム仮定であり、どちらも海上ネットワークでは保証が難しい。 したがって、サーバーレスのゴシップアプローチはより自然なアプローチであるが、既存の手法は、炭素コスト、信頼性、長期参加バランスと共同で管理しなければならないリソースとしてではなく、通信を主に最適化ボトルネックとして扱う。 本稿では,炭素を意識したスマートシッピングのためのゴシップオーケストレーションフレームワークであるCARGOについて述べる。 CARGOは学習をコントロールとデータプレーンに分離する。 データプレーンは圧縮されたゴシップ交換で局所最適化を行い、制御プレーンは各ラウンドでどの船が参加するか、どの通信エッジをアクティベートするか、どのように積極的に更新を圧縮するか、リカバリ動作を起動するかを決定する。 動作バルクキャリアエンジンデータとトレーサ駆動の海上通信プロトコルを用いてCARGOを予測保守シナリオで評価し、クライアントのドロップアウト、部分的参加、パケットロス、複数接続方式をモビリティ・アウェアな容器間相互作用から抽出した。 テストされたストレス設定全体において、CARGOは、正確で競争力のある分散ベースラインと比較して、カーボンフットプリントと通信オーバーヘッドを低減しつつ、常に高精度な状態を維持している。 全体として、実行されたパフォーマンス評価は、CARGOが信頼性とリソースを意識した海洋AIデプロイメントのための、実用的で実用的なソリューションであることを示している。

関連論文リスト

• TSC: Topology-Conditioned Stackelberg Coordination for Multi-Agent Reinforcement Learning in Interactive Driving [37.09409794849228]
  トポロジ条件付きStackelberg Coordinationは、コミュニケーションフリー実行下での分散インタラクティブ運転のための学習フレームワークである。 TSCは,主要な指標をまたいだ代表的MARLベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-02-27T10:46:41Z)
• Generating Realistic, Protocol-Compliant Maritime Radio Dialogues using Self-Instruct and Low-Rank Adaptation [0.0]
  2014年から2023年の間にヨーロッパで記録された事故の58%以上を占める。 VHF無線通信は、ノイズ、干渉、言語的変動、およびリアルタイムの転写の欠如により、いまだに困難である。 本研究は、IMOのSMCPに準拠したリアルな海上無線対話を生成するためのコンプライアンスを意識したセルフインストラクション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-16T09:09:27Z)
• Deep Neural Network-Based Aerial Transport in the Presence of Cooperative and Uncooperative UAS [3.437656066916039]
  本稿では,非クルード航空システム(UAS)を$mathbbRn$で運用することで,分散トランスポートとカバレッジを分散化するためのレジリエントディープニューラルネットワーク(DNN)フレームワークを提案する。 このフレームワークは、規定されたプロトコルに従わない、あるいは従わない非協力的なエージェントの存在下で堅牢なままに設計されている。
  論文  参考訳（メタデータ） (2025-12-06T22:03:41Z)
• Secure Low-altitude Maritime Communications via Intelligent Jamming [53.42658269206017]
  低高度無線ネットワーク (LAWN) は海上通信の有効なソリューションとして登場している。 オープンで明確なUAV通信チャネルは、海上のLAWNを盗聴攻撃に対して脆弱にする。 本稿では,動的盗難対策にインテリジェントジャミングを用いた低高度海上通信システムを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:16:19Z)
• Security-Aware Joint Sensing, Communication, and Computing Optimization in Low Altitude Wireless Networks [83.84711311344918]
  I SCCは低高度無線ネットワーク(LAWN)の中核部の一つである。 本稿では,通信の秘密性を考慮したI SCCの連成性能最適化について検討する。 進化的最適化の目的に応じて進化的演算子を適応的に選択する深層Q-network(DQN)に基づく多目的進化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-03T11:06:41Z)
• 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)
• SPOT: Spatio-Temporal Pattern Mining and Optimization for Load Consolidation in Freight Transportation Networks [13.121155604809372]
  効率的な負荷統合計画は、交通管理プロセスとの整合性を確保するために慎重に選択された統合ポイントに依存している。 従来の最適化に基づくアプローチは正確な解決策を提供するが、その計算複雑性は大規模インスタンスでは実用的ではない。 この研究は、機械学習(ML)の利点と負荷統合の最適化を統合するエンドツーエンドアプローチであるSPOTを提案する。
  論文  参考訳（メタデータ） (2025-04-13T18:14:38Z)
• 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)
• Age of Semantics in Cooperative Communications: To Expedite Simulation Towards Real via Offline Reinforcement Learning [53.18060442931179]
  協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。 オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。 そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
  論文  参考訳（メタデータ） (2022-09-19T11:55:28Z)
• Online V2X Scheduling for Raw-Level Cooperative Perception [21.099819062731463]
  視界が単独の知性を制限すると、コネクテッドカーの協調的な認識が救助にやってくる。 本稿では,センサ共有スケジューリングのエネルギー最小化問題を定式化して生レベルの協調認識モデルを提案する。 本稿では,対数的性能損失を伴うオンライン学習に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:16:45Z)

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。