Fugu-MT 論文翻訳(概要): Quantization Impact on the Accuracy and Communication Efficiency Trade-off in Federated Learning for Aerospace Predictive Maintenance

論文の概要: Quantization Impact on the Accuracy and Communication Efficiency Trade-off in Federated Learning for Aerospace Predictive Maintenance

arxiv url: http://arxiv.org/abs/2604.08474v1
Date: Thu, 09 Apr 2026 17:13:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-10 18:34:06.040822
Title: Quantization Impact on the Accuracy and Communication Efficiency Trade-off in Federated Learning for Aerospace Predictive Maintenance
Title（参考訳）: 空域予測維持のためのフェデレーション学習における精度とコミュニケーション効率のトレードオフに及ぼす量子化の影響
Authors: Abdelkarim Loukili,
Abstract要約: フェデレートラーニング(FL)は、分散航空宇宙艦隊間のプライバシ保護による予測メンテナンスを可能にする。本稿では,対称均一量子化がカスタム設計軽量畳み込みモデルの精度-効率トレードオフに与える影響について検討する。 Int4はFD001とFD002でFP32と区別できない精度を実現する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning (FL) enables privacy-preserving predictive maintenance across distributed aerospace fleets, but gradient communication overhead constrains deployment on bandwidth-limited IoT nodes. This paper investigates the impact of symmetric uniform quantization ($b \in \{32,8,4,2\}$ bits) on the accuracy--efficiency trade-off of a custom-designed lightweight 1-D convolutional model (AeroConv1D, 9\,697 parameters) trained via FL on the NASA C-MAPSS benchmark under a realistic Non-IID client partition. Using a rigorous multi-seed evaluation ($N=10$ seeds), we show that INT4 achieves accuracy \emph{statistically indistinguishable} from FP32 on both FD001 ($p=0.341$) and FD002 ($p=0.264$ MAE, $p=0.534$ NASA score) while delivering an $8\times$ reduction in gradient communication cost (37.88~KiB $\to$ 4.73~KiB per round). A key methodological finding is that naïve IID client partitioning artificially suppresses variance; correct Non-IID evaluation reveals the true operational instability of extreme quantization, demonstrated via a direct empirical IID vs.\ Non-IID comparison. INT2 is empirically characterized as unsuitable: while it achieves lower MAE on FD002 through extreme quantization-induced over-regularization, this apparent gain is accompanied by catastrophic NASA score instability (CV\,=\,45.8\% vs.\ 22.3\% for FP32), confirming non-reproducibility under heterogeneous operating conditions. Analytical FPGA resource projections on the Xilinx ZCU102 confirm that INT4 fits within hardware constraints (85.5\% DSP utilization), potentially enabling a complete FL pipeline on a single SoC. The full simulation codebase and FPGA estimation scripts are publicly available at https://github.com/therealdeadbeef/aerospace-fl-quantization.
Abstract（参考訳）: フェデレートドラーニング(FL)は、分散航空宇宙艦隊間のプライバシ保護による予測メンテナンスを可能にするが、グラデーション通信のオーバーヘッドは、帯域幅に制限のあるIoTノードへのデプロイメントを制限している。本稿では,NASA C-MAPSSベンチマーク上でFLを用いて学習したカスタム設計軽量1-D畳み込みモデル(AeroConv1D, 9\,697パラメータ)の精度-効率トレードオフに対する対称均一量子化(b \in \{32,8,4,2\}$ bits)の影響について検討する。 FD001(p=0.341$)とFD002(p=0.264$ MAE, $p=0.534$ NASA score)の両方で、INT4がFP32から精度を達成し、勾配通信コスト(37.88~KiB $\to$4.73~KiB)を8ドル(約8,800円)削減したことを示す。重要な方法として, ナイーブIIDクライアント分割が分散を人工的に抑制すること, 非IID評価の正しさは, 直接的経験的IID vs. により実証された極端量子化の真の運用不安定性を明らかにすることが挙げられる。非IID比較。 INT2は、極度の量子化による過剰規則化によってFD002上の低いMAEを達成するが、この明らかな上昇は、NASAの破滅的なスコア不安定(CV\,=\,45.8\%)と伴う。 22.3\%(FP32)は不均一な操作条件下での再現性を確認する。 Xilinx ZCU102の解析的FPGAリソースプロジェクションは、INT4がハードウェア制約(85.5\% DSP)に適合していることを確認し、単一のSoC上で完全なFLパイプラインを可能にする可能性がある。完全なシミュレーションコードベースとFPGA推定スクリプトはhttps://github.com/therealdeadbeef/aerospace-fl-quantizationで公開されている。

論文の概要: Quantization Impact on the Accuracy and Communication Efficiency Trade-off in Federated Learning for Aerospace Predictive Maintenance

関連論文リスト