論文の概要: Resource-Element Energy Difference for Noncoherent Over-the-Air Federated Learning

• arxiv url: http://arxiv.org/abs/2605.07263v1
• Date: Fri, 08 May 2026 05:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.819088
• Title: Resource-Element Energy Difference for Noncoherent Over-the-Air Federated Learning
• Title（参考訳）: 非コヒーレント・オーバー・ザ・エア・フェデレーション学習における資源要素エネルギー差
• Authors: Hao Chen, Zavareh Bozorgasl,
• Abstract要約: オーバー・ザ・エア・フェデレーション・ラーニング(OTA-FL)は、波形重畳を利用したアップリンク遅延を低減する。 従来のアナログアグリゲーション方式は一般にチャネル状態情報(CSI)、チャネル反転、コヒーレント位相アライメントを必要とする。
• 参考スコア（独自算出の注目度）: 5.14549984289357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over-the-air federated learning (OTA-FL) reduces uplink latency by exploiting waveform superposition, but conventional analog aggregation schemes typically require instantaneous channel state information (CSI), channel inversion, and coherent phase alignment, which can be difficult to maintain in practical wireless systems. This paper proposes resource-element energy difference (REED), a noncoherent aggregation primitive for continuous signed updates that avoids instantaneous CSI. REED maps the positive and negative parts of each real-valued update to transmit energies on two orthogonal resource elements with independent phase dithers, and the server estimates the signed aggregate from their energy difference. With only slow-timescale calibration of average channel powers, REED is unbiased for the desired signed sum and admits an exact closed-form variance under Rayleigh fading. We incorporate REED into full-participation FedAvg and prove a smooth nonconvex stationarity bound. Under an average per-client energy budget, the aggregation gain can be scheduled so that the REED-induced perturbation scales quadratically with the local stepsize, yielding the canonical (1/sqrt(T)) stationarity rate. Experiments on MNIST and Fashion-MNIST demonstrate that REED closely matches clean FedAvg and coherent CSIT aggregation in IID settings, while maintaining stable convergence with a moderate performance degradation under strong data heterogeneity.
• Abstract（参考訳）: オーバー・ザ・エア・フェデレート・ラーニング(OTA-FL)は、波形重畳を利用してアップリンク遅延を低減するが、従来のアナログアグリゲーション方式では、実際の無線システムでは維持が困難である即時チャネル状態情報(CSI)、チャネル反転、コヒーレント位相アライメントを必要とする。 本稿では,連続署名更新のための非一貫性集約プリミティブである資源要素エネルギー差分(REED)を提案する。 REEDは、各実数値更新の正と負の部分をマッピングし、2つの直交資源要素に独立した位相ディザを持つエネルギーを伝達し、サーバはそのエネルギー差から署名された集約を推定する。 平均チャネルパワーの緩やかなキャリブレーションしか行わず、REEDは所望の符号和に偏りがなく、レイリー・フェイディングの下で正確な閉形式分散を認める。 我々はREEDを全参加型FedAvgに組み込み、スムーズな非凸定常性境界を証明した。 サイクル当たりの平均エネルギー予算の下では、REED誘起摂動が局所的なステップサイズと2次的にスケールするようにアグリゲーションゲインをスケジュールすることができ、標準 (1/sqrt(T)) の定常率が得られる。 MNISTとFashion-MNISTの実験では、REEDはIID設定におけるクリーンなFedAvgとコヒーレントなCSITアグリゲーションとを密に一致し、強いデータヘテロジニティ下での適度な性能劣化と安定な収束を維持した。

関連論文リスト

• SCENE OTA-FD: Self-Centering Noncoherent Estimator for Over-the-Air Federated Distillation [5.14549984289357]
  SCENEは、オーバー・ザ・エア・フェデレート蒸留(OTA-FD)のためのパイロットフリーで位相不変なアグリゲーションプリミティブである ゼロ・アップリンク・パイロット、アンバイアスド・アグリゲーション、ハードウェアフレンドリーなトランスミッションに対して、控えめな非コヒーレントな変動定数を交換する。 パイロットのオーバーヘッドが無視できない場合には、コヒーレントな設計よりも優れている。
  論文  参考訳（メタデータ） (2026-02-17T03:13:32Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers [68.73273027298625]
  メガコンステレーションは、宇宙データセンター(SDC)の長期的なビジョンを推進している AirCompはフリースペース(FSO)を学習するためのネットワーク内集約フレームワーク AirVoteは符号勾配(SGD)と多数符号変調(PPM)を統合し、各衛星はPPMタイムスロットを活性化することで局所勾配を伝達する。 OptiVoteは位相依存性電場重ね合わせを位相非依存光強度結合に緩和する。
  論文  参考訳（メタデータ） (2025-12-30T16:40:02Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Non-Coherent Over-the-Air Decentralized Gradient Descent [0.0]
  無線システムにおける分散グラディエントDescentの実装は、ノイズ、フェーディング、帯域幅の制限により困難である。 本稿では,スケジューリング,トポロジ情報,CSIの必要性を解消するスケーラブルなDGDアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-19T19:15:34Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)

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。