論文の概要: Constraint-Driven Warm-Freeze for Efficient Transfer Learning in Photovoltaic Systems

• arxiv url: http://arxiv.org/abs/2604.05807v1
• Date: Tue, 07 Apr 2026 12:44:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.823149
• Title: Constraint-Driven Warm-Freeze for Efficient Transfer Learning in Photovoltaic Systems
• Title（参考訳）: 太陽光発電システムにおける効率的な伝達学習のための制約駆動ウォームフリーズ
• Authors: Yasmeen Saeed, Ahmed Sharshar, Mohsen Guizani,
• Abstract要約: ディープラーニングモデルはバイアス、ドリフト、過渡スパイクに対して堅牢だが、リソース制約のあるエッジコントローラには十分軽量である。 本稿では,CDWF(Constraint-Driven Warm-Freeze)を提案する。 トレーニング可能なパラメータを最大120倍に減らしながら,CDWFは完全微調整性能の90～99%を維持していることを示す。
• 参考スコア（独自算出の注目度）: 39.83783914171527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting cyberattacks in photovoltaic (PV) monitoring and MPPT control signals requires models that are robust to bias, drift, and transient spikes, yet lightweight enough for resource-constrained edge controllers. While deep learning outperforms traditional physics-based diagnostics and handcrafted features, standard fine-tuning is computationally prohibitive for edge devices. Furthermore, existing Parameter-Efficient Fine-Tuning (PEFT) methods typically apply uniform adaptation or rely on expensive architectural searches, lacking the flexibility to adhere to strict hardware budgets. To bridge this gap, we propose Constraint-Driven Warm-Freeze (CDWF), a budget-aware adaptation framework. CDWF leverages a brief warm-start phase to quantify gradient-based block importance, then solves a constrained optimization problem to dynamically allocate full trainability to high-impact blocks while efficiently adapting the remaining blocks via Low-Rank Adaptation (LoRA). We evaluate CDWF on standard vision benchmarks (CIFAR-10/100) and a novel PV cyberattack dataset, transferring from bias pretraining to drift and spike detection. The experiments demonstrate that CDWF retains 90 to 99% of full fine-tuning performance while reducing trainable parameters by up to 120x. These results establish CDWF as an effective, importance-guided solution for reliable transfer learning under tight edge constraints.
• Abstract（参考訳）: 太陽光発電(PV)モニタリングとMPPT制御信号におけるサイバー攻撃の検出には、バイアス、ドリフト、過渡スパイクに対して堅牢なモデルが必要であるが、リソース制約のあるエッジコントローラには十分軽量である。 ディープラーニングは従来の物理に基づく診断や手作りの特徴よりも優れていますが、標準的な微調整はエッジデバイスでは計算が禁止されています。 さらに、既存のパラメータ効率の良いファインチューニング(PEFT)手法は、通常、一様適応や高価なアーキテクチャ検索に依存し、厳格なハードウェア予算に従う柔軟性に欠ける。 このギャップを埋めるため,予算対応型適応フレームワークであるCDWFを提案する。 CDWFは、簡単なウォームスタートフェーズを利用して勾配に基づくブロックの重要度を定量化し、制約付き最適化問題を解き、ローランド適応(LoRA)を介して残りのブロックを効率よく適応させながら、ハイインパクトブロックにフルトレーサビリティを動的に割り当てる。 標準ビジョンベンチマーク(CIFAR-10/100)と新しいPVサイバーアタックデータセットでCDWFを評価し、バイアス前トレーニングからドリフトとスパイク検出に移行した。 実験により、CDWFは、トレーニング可能なパラメータを最大120倍に減らしながら、完全な微調整性能の90～99%を維持していることが示された。 これらの結果は,厳密な制約下での信頼性伝達学習において,CDWFを効果的な重要誘導型ソリューションとして確立する。

関連論文リスト

• GateRA: Token-Aware Modulation for Parameter-Efficient Fine-Tuning [51.79350934271497]
  GateRAは、PEFT更新の強度を動的に調整するトークン対応変調を導入する統一フレームワークである。 適応ゲーティングを標準のPEFTブランチに組み込むことで、Gateraは選択的でトークンレベルの適応を可能にする。 複数のコモンセンス推論ベンチマークの実験により、GateRAはPEFT法よりも一貫して優れ、一致していることが示された。
  論文  参考訳（メタデータ） (2025-11-15T17:55:47Z)
• CBPNet: A Continual Backpropagation Prompt Network for Alleviating Plasticity Loss on Edge Devices [16.318540474216416]
  塑性の低下は、トレーニング過程において未利用パラメータの更新活力の欠如に起因していると論じる。 本稿では,モデルの学習活力を回復するための有効かつパラメータ効率の高いフレームワークである連続バックプロパゲーション・プロンプト・ネットワーク(CBPNet)を提案する。
  論文  参考訳（メタデータ） (2025-09-19T09:16:54Z)
• Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation [56.36237936346563]
  ファンデーションモデル(FM)は顕著な一般化を示すが、下流のタスクに適応する必要がある。 データプライバシー規制のため、クラウドベースのFMはプライベートエッジデータに直接アクセスできない。 エッジデバイスがラベルのない低解像度のデータのみを保持する実践的セミスーパービジョン・フェデレーションラーニング(PSSFL)を導入する。 我々の研究は、フェデレートされたシナリオにおけるスケーラブルでプライバシ保護のFM適応の道を開いた。
  論文  参考訳（メタデータ） (2025-08-22T17:47:02Z)
• Optimal Batch-Size Control for Low-Latency Federated Learning with Device Heterogeneity [30.53961003855146]
  フェデレートラーニング(FL)は、第6世代(6G)ネットワークにおける協調機械学習の一般的なアプローチとして登場した。 FLアルゴリズムの展開は、自律運転、拡張現実、ヘルスケアなど、幅広いIoT(Internet-of-Things)アプリケーションを強化することが期待されている。 本稿では,収束性を確保しつつ,エンドツーエンド(E2E)学習遅延を最小限に抑える,バッチサイズ最適制御のための新しいC$2のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-21T13:24:38Z)
• 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)
• R-TPT: Improving Adversarial Robustness of Vision-Language Models through Test-Time Prompt Tuning [69.72249695674665]
  視覚言語モデル(VLM)のためのロバストテスト時プロンプトチューニング(R-TPT)を提案する。 R-TPTは、推論段階における敵攻撃の影響を緩和する。 プラグアンドプレイの信頼性に基づく重み付きアンサンブル戦略を導入し,防御強化を図る。
  論文  参考訳（メタデータ） (2025-04-15T13:49:31Z)
• LeanTTA: A Backpropagation-Free and Stateless Approach to Quantized Test-Time Adaptation on Edge Devices [13.355021314836852]
  本稿では、エッジデバイスに適した量子化テスト時間適応のための、バックプロパゲーションフリーでステートレスな新しいフレームワークであるLeanTTAを紹介する。 バックプロパゲーションなしで正規化統計を動的に更新することで計算コストを最小化する。 我々は,センサのモダリティにまたがる枠組みを検証し,最先端のTTA手法よりも大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-03-20T06:27:09Z)
• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• 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)

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。