論文の概要: Towards Energy Impact on AI-Powered 6G IoT Networks: Centralized vs. Decentralized

• arxiv url: http://arxiv.org/abs/2604.19377v1
• Date: Tue, 21 Apr 2026 11:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.752363
• Title: Towards Energy Impact on AI-Powered 6G IoT Networks: Centralized vs. Decentralized
• Title（参考訳）: AI駆動の6G IoTネットワークにおけるエネルギーの影響 - 集中型対分散型
• Authors: Anjie Qiu, Donglin Wang, Sanket Partani, Andreas Weinand, Hans D. Schotten,
• Abstract要約: 第6世代(6G)技術は、IoT(Internet of Things)ネットワークにおける機械学習(ML)アプリケーションに新たな課題と機会をもたらした。 モデルトレーニングとデータ伝達がエネルギー消費に大きく貢献するにつれて、これらのプロセスの最適化は持続可能なシステム設計にとって重要になっている。 本研究は、まず、中央集権的および分散化されたアーキテクチャのエネルギー消費モデルの解析を行い、次いで、ドイツの鉄道インフラに配備されたテストベッドを提示する。
• 参考スコア（独自算出の注目度）: 26.17473134101286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The emergence of sixth-generation (6G) technologies has introduced new challenges and opportunities for machine learning (ML) applications in Internet of Things (IoT) networks, particularly concerning energy efficiency. As model training and data transmission contribute significantly to energy consumption, optimizing these processes has become critical for sustainable system design. This study first conduct analysis on the energy consumption model for both centralized and decentralized architecture and then presents a testbed deployed within the German railway infrastructure, leveraging sensor data for ML-based predictive maintenance. A comparative analysis of distributed versus Centralized Learning (CL) architectures reveals that distributed models maintain competitive predictive accuracy (~90%) while reducing overall electricity consumption by up to 70%. These findings underscore the potential of distributed ML to improve energy efficiency in real-world IoT deployments, particularly by mitigating transmission-related energy costs.
• Abstract（参考訳）: 第6世代(6G)技術の出現は、特にエネルギー効率に関して、IoT(Internet of Things)ネットワークにおける機械学習(ML)アプリケーションに対する新たな課題と機会をもたらした。 モデルトレーニングとデータ伝達がエネルギー消費に大きく貢献するにつれて、これらのプロセスの最適化は持続可能なシステム設計にとって重要になっている。 本研究は,まず中央集権的・分散的アーキテクチャのエネルギー消費モデルの解析を行い,その上で,MLに基づく予測保守のためのセンサデータを活用することにより,ドイツの鉄道インフラ内に展開されたテストベッドを提示する。 分散対中央学習(CL)アーキテクチャの比較分析により、分散モデルは競争予測精度(~90%)を維持しつつ、全体の電力消費量を最大70%削減していることが明らかになった。 これらの知見は、特に送電関連エネルギーコストの軽減により、リアルタイムIoTデプロイメントにおけるエネルギー効率を改善するための分散MLの可能性を強調している。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Revisiting DNN Training for Intermittently-Powered Energy-Harvesting Micro-Computers [0.6721767679705013]
  本研究では,エネルギー制約環境下でのディープニューラルネットワークに適した新しいトレーニング手法を紹介し,評価する。 本稿では,デバイスアーキテクチャとエネルギー可用性の変動性の両方に適応する動的ドロップアウト手法を提案する。 予備的な結果は、この戦略が5%未満の計算量を持つ最先端技術と比較して6～22%の精度向上をもたらすことを示している。
  論文  参考訳（メタデータ） (2024-08-25T01:13:00Z)
• Modelling the 5G Energy Consumption using Real-world Data: Energy Fingerprint is All You Need [35.242972942661275]
  5G技術はエネルギー消費を大幅に増加させ、ネットワークの持続可能性にとって重要な課題となっている。 実世界のデータセットに基づく5G基地局エネルギー消費量推定のための新しいディープラーニングモデルを提案する。 実験の結果、平均絶対パーセンテージエラー(MAPE)を12.75%から4.98%に削減した。
  論文  参考訳（メタデータ） (2024-06-13T06:02:15Z)
• Empowering Distributed Solutions in Renewable Energy Systems and Grid Optimization [3.8979646385036175]
  機械学習(ML)の進歩は再生可能エネルギー源の強化とグリッド管理の改善に重要な役割を果たしている。 ビッグデータとMLをスマートグリッドに組み込むことは、エネルギー効率の向上など、いくつかのメリットを提供する。 しかし、大規模なデータボリュームの処理、サイバーセキュリティの確保、専門知識の獲得といった課題に対処する必要がある。
  論文  参考訳（メタデータ） (2023-10-24T02:45:16Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)
• Leveraging AI and Intelligent Reflecting Surface for Energy-Efficient Communication in 6G IoT [14.027983498089084]
  人工知能(AI)とインテリジェント反射面(IRS)による6G IoTのための省エネルギー通信システムを提案する。 まず、IRS対応データ伝送やAIによるネットワークリソース管理メカニズムなど、スマートで効率的な通信アーキテクチャを設計します。 第3に,提案された最適化モデルを解決するために,深層強化学習(DRL)によるネットワークリソース制御と割り当ての手法を提案する。
  論文  参考訳（メタデータ） (2020-12-29T11:56:28Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。