論文の概要: Optimal Routing for Federated Learning over Dynamic Satellite Networks: Tractable or Not?

• arxiv url: http://arxiv.org/abs/2604.19399v1
• Date: Tue, 21 Apr 2026 12:26:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.761729
• Title: Optimal Routing for Federated Learning over Dynamic Satellite Networks: Tractable or Not?
• Title（参考訳）: 動的衛星ネットワーク上でのフェデレーション学習のための最適ルーティング:トラクタブルか?
• Authors: Yi Zhao, Di Yuan, Tao Deng, Suzhi Cao, Ying Dong,
• Abstract要約: フェデレートラーニング(Federated Learning, FL)は、分散モデルラーニングにおいて、分散データソースにまたがる重要なパラダイムである。 本稿では,クライアントとサーバ間の通信を動的ネットワーク上で中継するFLについて述べる。 典型的なシナリオは軌道上のFLで、衛星はクライアントとして働き、マルチホップ・インターサテライトリンクを介してサーバと通信する。 本稿では,異なる設定下での軌道内FLのルーティング最適化のトラクタビリティ解析について述べる。
• 参考スコア（独自算出の注目度）: 8.043709567690376
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated learning (FL) is a key paradigm for distributed model learning across decentralized data sources. Communication in each FL round typically consists of two phases: (i) distributing the global model from a server to clients, and (ii) collecting updated local models from clients to the server for aggregation. This paper focuses on a type of FL where communication between a client and the server is relay-based over dynamic networks, making routing optimization essential. A typical scenario is in-orbit FL, where satellites act as clients and communicate with a server (which can be a satellite, ground station, or aerial platform) via multi-hop inter-satellite links. This paper presents a comprehensive tractability analysis of routing optimization for in-orbit FL under different settings. For global model distribution, these include the number of models, the objective function, and routing schemes (unicast versus multicast, and splittable versus unsplittable flow). For local model collection, the settings consider the number of models, client selection, and flow splittability. For each case, we rigorously prove whether the global optimum is obtainable in polynomial time or the problem is NP-hard. Together, our analysis draws clear boundaries between tractable and intractable regimes for a broad spectrum of routing problems for in-orbit FL. For tractable cases, the derived efficient algorithms are directly applicable in practice. For intractable cases, we provide fundamental insights into their inherent complexity. These contributions fill a critical yet unexplored research gap, laying a foundation for principled routing design, evaluation, and deployment in satellite-based FL or similar distributed learning systems.
• Abstract（参考訳）: フェデレートラーニング(Federated Learning, FL)は、分散モデルラーニングにおいて、分散データソースにまたがる重要なパラダイムである。 各FLラウンドでの通信は通常、2つのフェーズから構成される。 一 サーバからクライアントにグローバルモデルを配布し、 (ii) 集約のためにクライアントからサーバに更新されたローカルモデルを収集する。 本稿では,クライアントとサーバ間の通信を動的ネットワーク上で中継するFLに着目し,ルーティングの最適化が不可欠であることを示す。 典型的なシナリオは軌道上のFLで、衛星はクライアントとして働き、複数のホップ間リンクを介してサーバ(衛星、地上局、または空中プラットフォーム)と通信する。 本稿では,異なる設定下での軌道内FLのルーティング最適化のトラクタビリティ解析について述べる。 グローバルモデル分布には、モデルの数、目的関数、ルーティングスキーム(ユニキャスト対マルチキャスト、スプリッタブル対アンスプリタブルフロー)が含まれる。 ローカルモデル収集では、設定はモデルの数、クライアントの選択、フロー分割可能性を考慮している。 各ケースについて、大域的最適値が多項式時間で得られるかどうかを厳格に証明する。 そこで本研究では,軌道上FLの幅広いルーティング問題に対して,トラクタブルとトラクタブルの境界を明確にする。 抽出可能な場合、導出された効率的なアルゴリズムは、実際に直接適用できる。 難解なケースに対しては、その固有の複雑さに関する基本的な洞察を提供します。 これらの貢献は重要な研究のギャップを埋め、衛星ベースのFLや類似の分散学習システムにおける原則的なルーティング設計、評価、展開の基礎を築いた。

関連論文リスト

• Federated Learning with MMD-based Early Stopping for Adaptive GNSS Interference Classification [4.674584508653125]
  フェデレートラーニング(FL)は、複数のデバイスがローカルサーバ上のデータを維持しながら、グローバルモデルを協調的にトレーニングすることを可能にする。 本稿では,グローバルサーバ上でのモデルの重み付けと数ショット学習を用いたFL手法を提案する。 FLの模範的な応用は、グローバルナビゲーション衛星システム(GNSS)受信機からのスナップショットに基づいた干渉分類のために、高速道路に沿って機械学習モデルをオーケストレーションすることである。
  論文  参考訳（メタデータ） (2024-10-21T06:43:04Z)
• Federated Learning over Hierarchical Wireless Networks: Training Latency Minimization via Submodel Partitioning [15.311309249848739]
  階層型独立サブモデルトレーニング(Hierarchical independent submodel training、HIST)は、階層型クラウド-エッジ-クライアントネットワークにおけるこれらの問題に対処することを目的とした新しいFL方法論である。 本研究では,HISTを空気上計算(AirComp)で拡張することにより,エッジセル上でのモデルアグリゲーションの効率をより高めることができることを示す。
  論文  参考訳（メタデータ） (2023-10-27T04:42:59Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• FLCC: Efficient Distributed Federated Learning on IoMT over CSMA/CA [0.0]
  フェデレートラーニング(FL)は、プライバシー保護のための有望なアプローチとして登場した。 本稿では,アドホックネットワーク上で遠隔医療システムを改善するアプリケーションにおけるFLの性能について検討する。 ネットワーク性能を評価するための指標として,1) 干渉を最小限に抑えながら伝送を成功させる確率,2) 精度と損失の点で分散FLモデルの性能を示す。
  論文  参考訳（メタデータ） (2023-03-29T16:36:42Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• A Bayesian Federated Learning Framework with Online Laplace Approximation [144.7345013348257]
  フェデレートラーニングは、複数のクライアントが協力してグローバルに共有されたモデルを学ぶことを可能にする。 クライアント側とサーバ側の両方の後方部を近似するために,オンラインラプラス近似を用いた新しいFLフレームワークを提案する。 提案手法の利点を実証し,いくつかのベンチマークで最新の結果を得た。
  論文  参考訳（メタデータ） (2021-02-03T08:36:58Z)

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。