論文の概要: FedACT: Concurrent Federated Intelligence across Heterogeneous Data Sources

• arxiv url: http://arxiv.org/abs/2605.00011v1
• Date: Wed, 11 Mar 2026 23:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.396801
• Title: FedACT: Concurrent Federated Intelligence across Heterogeneous Data Sources
• Title（参考訳）: FedACT: 異種データソース間の同時フェデレーションインテリジェンス
• Authors: Md Sirajul Islam, Isabelle G Chapman, N I Md Ashafuddula, Xu Yuan, Li Chen, Nian-Feng Tzeng, Klara Nahrstedt,
• Abstract要約: 現実世界のアプリケーションはますます、複数の機械学習タスクを必要としている。 我々は,複数の並列FLジョブ間で異種デバイスを効率的にスケジュールする新しいリソース対応デバイススケジューリング手法であるEm FedACTを紹介する。 以上の結果から,EMFACT は平均 JCT を最大8.3 (times) 削減し,モデル精度を最先端のベースラインと比較して44.5% 向上することを示した。
• 参考スコア（独自算出の注目度）: 12.329109810274586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) enables collaborative intelligence across decentralized data source devices in a privacy-preserving way. While substantial research attention has been drawn to optimizing the learning process for an individual task, real-world applications increasingly require multiple machine learning tasks simultaneously training their models across a shared pool of devices. Naively applying single-FL optimization techniques in multi-FL systems results in suboptimal system performance, particularly due to device heterogeneity and resource inefficiency. To address such a critical open challenge, we introduce {\em FedACT}, a novel resource heterogeneity-aware device scheduling approach designed to efficiently schedule heterogeneous devices across multiple concurrent FL jobs, with the goal of minimizing their average job completion time (JCT). {\em FedACT} dynamically assigns devices to FL jobs based on an alignment scoring mechanism that evaluates the compatibility between available resources of devices and resource demands of jobs. Additionally, it incorporates participation fairness to ensure balanced contributions from devices across jobs, further enhancing the accuracy levels of learned global models. An optimal scheduling plan is formulated in {\em FedACT} by prioritizing devices with higher alignment scores, while ensuring fair participation across jobs. To evaluate the effectiveness of the proposed scheduling algorithm, we carried out comprehensive experiments using diverse FL jobs and benchmark datasets. Experimental results demonstrate that {\em FedACT} reduces the average JCT by up to 8.3\(\times\) and improves model accuracy by up to 44.5\%, compared to the state-of-the-art baselines.
• Abstract（参考訳）: Federated Learning (FL)は、分散データソースデバイス間の協調的なインテリジェンスを、プライバシ保護の方法で実現する。 個々のタスクの学習プロセスを最適化するためには、かなりの研究の注意が向けられているが、現実のアプリケーションは、複数の機械学習タスクを、複数のデバイスで同時にトレーニングする必要がある。 マルチFLシステムに単一FL最適化技術を適用すると、特にデバイスの不均一性と資源不効率により、最適システムの性能が低下する。 このような重要なオープンな課題に対処するために,複数の並列FLジョブ間で異種デバイスを効率的にスケジュールする新しいリソースヘテロジニティ対応デバイススケジューリング手法である {\em FedACT} を導入し,その平均ジョブ完了時間(JCT)を最小化する。 {\em FedACT}は、機器の利用可能なリソースとジョブのリソース要求との互換性を評価するアライメントスコアリング機構に基づいて、デバイスをFLジョブに動的に割り当てる。 さらに、参加フェアネスを取り入れて、ジョブ全体にわたるデバイスからのバランスの取れたコントリビューションを確保し、学習されたグローバルモデルの精度レベルをさらに高める。 最適なスケジューリング計画が {\em FedACT} で定式化され、より高いアライメントスコアを持つデバイスを優先順位付けし、ジョブ間の公正な参加を確保する。 提案アルゴリズムの有効性を評価するため,多様なFLジョブとベンチマークデータセットを用いた総合的な実験を行った。 実験結果から, 平均 JCT を8.3\(\times\) まで減少させ, モデル精度を44.5\% まで向上させることを示した。

関連論文リスト

• Prioritizing Modalities: Flexible Importance Scheduling in Federated Multimodal Learning [5.421492821020181]
  Federated Learning(FL)は、デバイスがローカルデータを共有せずにモデルを協調的にトレーニングできる分散機械学習アプローチである。 FLを実世界のデータに適用することは、特に既存のFL研究が不正なデータに焦点を当てているため、課題を提示している。 我々は,各モードエンコーダのトレーニングリソースを適応的に割り当てることで,MFLにおける計算効率を向上させる新しい手法FlexModを提案する。
  論文  参考訳（メタデータ） (2024-08-13T01:14:27Z)
• Efficient Data Distribution Estimation for Accelerated Federated Learning [5.085889377571319]
  Federated Learning(FL)は、多数の分散エッジデバイスでグローバルモデルをその場でトレーニングする、プライバシ保護機械学習パラダイムである。 デバイスはシステムリソースとトレーニングデータの両方において非常に異質である。 様々なクライアント選択アルゴリズムが開発され、モデルカバレッジと精度の点で有望な性能向上を示している。
  論文  参考訳（メタデータ） (2024-06-03T20:33:17Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Multi-Job Intelligent Scheduling with Cross-Device Federated Learning [65.69079337653994]
  フェデレートラーニング(FL)は、センシティブな生データを共有せずに、協調的なグローバル機械学習モデルのトレーニングを可能にする。 本稿では,複数のジョブを並列にトレーニングできる新しいマルチジョブFLフレームワークを提案する。 本稿では,元来の強化学習に基づくスケジューリング手法と元来のベイズ最適化に基づくスケジューリング手法を含む,複数のスケジューリング手法に基づく新しいインテリジェントスケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-24T06:17:40Z)
• Efficient Device Scheduling with Multi-Job Federated Learning [64.21733164243781]
  本稿では,複数のジョブの並列学習プロセスを実現するための,新しいマルチジョブフェデレーション学習フレームワークを提案する。 コストを最小化しつつ、複数のジョブに対してデバイスをスケジュールする強化学習法とベイズ最適化法を提案する。 提案手法は,トレーニング時間(最大8.67倍高速)と精度(最大44.6%高)において,ベースラインアプローチよりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-12-11T08:05:11Z)
• Optimal Task Assignment to Heterogeneous Federated Learning Devices [0.0]
  本研究では,各デバイスがトレーニングに使用するデータ量を制御することにより,フェデレート学習ラウンドの期間を最小化する問題について検討する。 OLARというメイクタイムアルゴリズムを提案し、最適なスケジュールを提供することを示す。 この結果から,OLARは少ない実行時間で最適解を提供することがわかった。
  論文  参考訳（メタデータ） (2020-10-01T07:58:48Z)

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。