論文の概要: On the Tradeoffs of On-Device Generative Models in Federated Predictive Maintenance Systems

• arxiv url: http://arxiv.org/abs/2605.07860v1
• Date: Fri, 08 May 2026 15:20:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.152535
• Title: On the Tradeoffs of On-Device Generative Models in Federated Predictive Maintenance Systems
• Title（参考訳）: フェデレーション予測保守システムにおけるオンデバイス生成モデルのトレードオフについて
• Authors: Usevalad Milasheuski, Piero Baraldi, Enrico Zio, Stefano Savazzi,
• Abstract要約: Federated Learning(FL)は、分散IoT(Internet of Things)環境上のクライアントデータのオーナシップとコントロールを保護するための、有望なパラダイムとして登場した。 Variversa Autoencoders (VAE)、Generative Adrial Networks (GAN)、Diffusion Models (DM)などの生成モデルの最近の進歩は、時系列解析における教師なし異常検出の新しい機会を提供する。 本稿では,予測保守(PdM)の文脈におけるVAE,GAN,DMの包括的分析について述べる。 部分的コンポーネント共有を原則的メカニズムとして定式化するフェデレーション生成モデルのための新しい分類法を提案する。
• 参考スコア（独自算出の注目度）: 7.771267771396697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) has emerged as a promising paradigm for preserving client data ownership and control over distributed Internet of Things (IoT) environments. While discriminative models dominate most FL use cases, recent advances in generative models -- such as Variational Autoencoders (VAE), Generative Adversarial Networks (GAN), and Diffusion Models (DM) -- offer new opportunities for unsupervised anomaly detection in time series analysis, with relevant applications in predictive maintenance (PdM) in critical industrial infrastructures. In this work, we present a comprehensive analysis of VAEs, GANs, and DMs in the context of federated PdM. We analyze their performance and communication overhead under both full and partial federation setups, where only subsets of model components are shared. Building on this analysis, the paper proposes a novel taxonomy for federated generative models that formalizes partial component sharing as a principled mechanism for model personalization. Our experiments over a real-world time series dataset reveal distinct trade-offs in model utility, stability, and scalability, especially in heterogeneous and bandwidth-constrained FL settings. For the evaluated GAN-based configurations, full federation improves training stability relative to independent local training, although the model remains less robust than the VAE- and DDPM-based alternatives. For DMs, however, partial federation -- especially decoder sharing -- can outperform full federation in bandwidth-constrained, non-IID settings.
• Abstract（参考訳）: Federated Learning(FL)は、分散IoT(Internet of Things)環境上のクライアントデータのオーナシップとコントロールを保護するための、有望なパラダイムとして登場した。 差別モデルがほとんどのFLのユースケースを支配している一方で、変分オートエンコーダ(VAE)、GAN(Generative Adversarial Networks)、拡散モデル(Diffusion Models、DM)など、最近の生成モデルの進歩は、重要な産業インフラにおける予測保守(PdM)における関連する応用とともに、時系列分析における教師なし異常検出の新しい機会を提供する。 本稿では, フェデレートPdMの文脈におけるVAE, GAN, DMの包括的分析について述べる。 モデルコンポーネントのサブセットのみが共有される完全なフェデレーション設定と部分的なフェデレーション設定の両方で、パフォーマンスと通信のオーバーヘッドを分析します。 本稿では,モデルパーソナライゼーションの原理的メカニズムとして部分的コンポーネント共有を形式化するフェデレーション生成モデルの新たな分類法を提案する。 実世界の時系列データセットに対する実験により,モデルの実用性,安定性,スケーラビリティ,特に不均一かつ帯域幅に制約のあるFL設定におけるトレードオフが明らかとなった。 評価されたGANベースの構成では、完全なフェデレーションは独立したローカルトレーニングと比較してトレーニングの安定性を向上させるが、モデルはVAEやDDPMベースの代替モデルよりも堅牢性は低い。 しかしDMでは、部分的なフェデレーション(特にデコーダの共有)は帯域制限のない非IID設定で完全なフェデレーションより優れています。

関連論文リスト

• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• FedDSR: Federated Deep Supervision and Regularization Towards Autonomous Driving [32.600054594223096]
  Federated Deep Supervision and Regularization (FedDSR) は、Federated ADシステムにマルチアクセス中間層監視と正規化を組み込んだパラダイムである。 FedDSRはmIoUが最大8.93%改善し、トレーニングラウンドが28.57%削減された。
  論文  参考訳（メタデータ） (2025-12-07T06:23:59Z)
• Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
  クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。 本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• Client Contribution Normalization for Enhanced Federated Learning [4.726250115737579]
  スマートフォンやラップトップを含むモバイルデバイスは、分散化された異種データを生成する。 フェデレートラーニング(FL)は、データ共有のない分散デバイス間でグローバルモデルの協調トレーニングを可能にすることで、有望な代替手段を提供する。 本稿では、FLにおけるデータ依存的不均一性に着目し、局所的に訓練されたモデルから抽出された平均潜在表現を活用する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-10T04:03:09Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Straggler-resilient Federated Learning: Tackling Computation Heterogeneity with Layer-wise Partial Model Training in Mobile Edge Network [4.1813760301635705]
  本稿では,FedPMT(Federated partial Model Training)を提案する。 したがって、FedPMTのすべてのデバイスは、グローバルモデルの最も重要な部分を優先している。 実証的な結果は、FedPMTが既存のベンチマークFedDropを大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2023-11-16T16:30:04Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• FedHM: Efficient Federated Learning for Heterogeneous Models via Low-rank Factorization [16.704006420306353]
  スケーラブルなフェデレート学習フレームワークは、異なる計算能力と通信能力を備えた異種クライアントに対処する必要がある。 本稿では,不均一な低ランクモデルをクライアントに分散し,それらをグローバルなフルランクモデルに集約する,新しいフェデレーションモデル圧縮フレームワークであるFedHMを提案する。 我々のソリューションは、計算複雑性の異なる異種局所モデルの訓練を可能にし、単一の大域的モデルを集約する。
  論文  参考訳（メタデータ） (2021-11-29T16:11:09Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。