論文の概要: Lifecycle-Aware Federated Continual Learning in Mobile Autonomous Systems

• arxiv url: http://arxiv.org/abs/2604.20745v1
• Date: Wed, 22 Apr 2026 16:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.232187
• Title: Lifecycle-Aware Federated Continual Learning in Mobile Autonomous Systems
• Title（参考訳）: 移動型自律システムにおけるライフサイクル・アウェア・フェデレーション型連続学習
• Authors: Beining Wu, Jun Huang,
• Abstract要約: 本稿では、トレーニング時間(事前鍛造)とポスト鍛造(後鍛造)の回復を組み込んだライフサイクル対応のデュアルタイムスケールFCLフレームワークを提案する。 実験結果から, このフレームワークは最強のフェデレートベースラインよりも最大8.3% mIoUの改善を達成できることがわかった。
• 参考スコア（独自算出の注目度）: 7.63508861308136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated continual learning (FCL) allows distributed autonomous fleets to adapt collaboratively to evolving terrain types across extended mission lifecycles. However, current approaches face several key challenges: 1) they use uniform protection strategies that do not account for the varying sensitivities to forgetting on different network layers; 2) they focus primarily on preventing forgetting during training, without addressing the long-term effects of cumulative drift; and 3) they often depend on idealized simulations that fail to capture the real-world heterogeneity present in distributed fleets. In this paper, we propose a lifecycle-aware dual-timescale FCL framework that incorporates training-time (pre-forgetting) prevention and (post-forgetting) recovery. Under this framework, we design a layer-selective rehearsal strategy that mitigates immediate forgetting during local training, and a rapid knowledge recovery strategy that restores degraded models after long-term cumulative drift. We present a theoretical analysis that characterizes heterogeneous forgetting dynamics and establishes the inevitability of long-term degradation. Our experimental results show that this framework achieves up to 8.3\% mIoU improvement over the strongest federated baseline and up to 31.7\% over conventional fine-tuning. We also deploy the FCL framework on a real-world rover testbed to assess system-level robustness under realistic constraints; the testing results further confirm the effectiveness of our FCL design.
• Abstract（参考訳）: フェデレートされた継続的学習(FCL)により、分散自律艦隊は、拡張されたミッションライフサイクルにわたる地形のタイプに協力的に適応することができる。 しかし、現在のアプローチはいくつかの重要な課題に直面している。 1)異なるネットワーク層を忘れるのに、様々な感度を考慮しない一様保護戦略を用いる。 2)累積ドリフトの長期的影響に対処することなく、主に訓練中の忘れの防止に焦点をあてる。 3) それらはしばしば、分散艦隊に存在する現実世界の異質性を捉えるのに失敗した理想化されたシミュレーションに依存する。 本稿では,トレーニング時間(事前鍛造)とポスト鍛造(後鍛造)の回復を組み込んだライフサイクル対応のデュアルタイムスケールFCLフレームワークを提案する。 本枠組みでは,局所訓練中の即時忘れを緩和する階層選択型リハーサル戦略と,長期累積ドリフト後の劣化モデルを復元する素早い知識回復戦略を設計する。 本稿では,不均一な忘れ物力学を特徴付ける理論解析を行い,長期劣化の必然性を実証する。 実験の結果, 従来の微調整法に比べて最大8.3\% mIoU, 最大31.7\%の改善が得られた。 また、現実的な制約下でのシステムレベルの堅牢性を評価するために、実世界のローバーテストベッドにFCLフレームワークをデプロイし、テスト結果によりFCL設計の有効性をさらに確認する。

関連論文リスト

• Towards Lifelong Aerial Autonomy: Geometric Memory Management for Continual Visual Place Recognition in Dynamic Environments [9.033735087039439]
  ミッションベースドメインインクリメンタルラーニング(DIL)問題として航空VPRを定式化する。 厳格なオンボードストレージ制約を尊重するために、我々の"Learn-and-Dispose"パイプラインは、地理的知識を静的衛星アンカーに分離する。 我々のアーキテクチャは空間一般化を著しく促進し、多様性駆動バッファ選択はランダムベースラインを7.8%の知識保持率で上回ります。
  論文  参考訳（メタデータ） (2026-04-10T06:58:30Z)
• MLFCIL: A Multi-Level Forgetting Mitigation Framework for Federated Class-Incremental Learning in LEO Satellites [8.612785005549906]
  Federated Class-Incremental Learning (FCIL)は、生データを共有せずに、分散インクリメンタルな学習を可能にする。 本稿では,破滅的な忘れを3つのソースに分解する多段階的忘れ軽減フレームワークMLFCILを提案する。 MLFCILは、リソースオーバーヘッドを最小限に抑えながら、精度と緩和の両面でベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2026-03-14T12:44:36Z)
• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Beyond Reasoning Gains: Mitigating General Capabilities Forgetting in Large Reasoning Models [33.214586668992965]
  検証可能な報酬(RLVR)による強化学習は、数学的およびマルチモーダル推論において驚くべき成果を上げている。 汎用知識のための動的客観的リウェイトを用いたRECAP-aリプレイ戦略を提案する。 本手法はエンド・ツー・エンドであり,既存のRLVRパイプラインに適用可能である。
  論文  参考訳（メタデータ） (2025-10-24T19:08:48Z)
• Temporal-Difference Variational Continual Learning [77.92320830700797]
  複数の先行推定の正則化効果を統合する新たな学習目標を提案する。 提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
  論文  参考訳（メタデータ） (2024-10-10T10:58:41Z)
• Time-Constrained Robust MDPs [28.641743425443]
  我々は,多因子性,相関性,時間依存障害を考慮した新しい時間制約型ロバストMDP(TC-RMDP)の定式化を導入する。 本研究では、ロバストなRLにおける一般的な仮定を再考し、より実用的で現実的なRLアプリケーションを開発するための新たな道を開く。
  論文  参考訳（メタデータ） (2024-06-12T16:45:09Z)
• Parameterizing Federated Continual Learning for Reproducible Research [4.361568392115453]
  複雑な学習シナリオをキャプチャし、エミュレートする実験的なベストプラクティスのセットを提案する。 私たちのフレームワークであるFreddieは、FCL(Federated Continual Learning)の最初の完全なフレームワークです。 我々は,CIFAR100におけるFreddieの大規模フェデレート学習と,FCLにおける異種タスクシーケンスの2つのユースケースにおける効果を実証した。
  論文  参考訳（メタデータ） (2024-06-04T06:54:53Z)
• Relaxed Contrastive Learning for Federated Learning [48.96253206661268]
  本稿では,フェデレート学習におけるデータ不均一性の課題に対処する,新しいコントラスト学習フレームワークを提案する。 当社のフレームワークは,既存のフェデレート学習アプローチを,標準ベンチマークにおいて大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2024-01-10T04:55:24Z)

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。