論文の概要: Performance and Energy Trade-Off Analysis of Hierarchical Federated Learning for Plant Disease Classification

• arxiv url: http://arxiv.org/abs/2605.08121v1
• Date: Tue, 28 Apr 2026 13:21:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.717829
• Title: Performance and Energy Trade-Off Analysis of Hierarchical Federated Learning for Plant Disease Classification
• Title（参考訳）: 植物病の分類における階層的フェデレーション学習のパフォーマンスとエネルギー取引-Off解析
• Authors: Athanasios Papanikolaou, Athanasios Tziouvaras, Pavlos Stoikos, Apostolos Xenakis, Shameem A Puthiya Parambath, George Floros, Enrica Zereik, Ivan Petrovic, Fabio Bonsignorio,
• Abstract要約: 本稿では,植物病の分類のための階層型フェデレーション学習アーキテクチャの設計空間を探索する。 予測性能とエネルギー効率のトレードオフに焦点を当てる。 本稿では,モデル・アグリゲータ構成の体系的評価と選択を可能にするパワー・アンド・エネルギ・アウェア最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.265862388280526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early detection of plant diseases is critical for improving crop productivity, while it also facilitates the foundations of precision agriculture. Recent advances in distributed deep learning have enabled plant disease classification models to be trained across geographically distributed agricultural sensing infrastructures. However, deploying such systems in large-scale Internet of Things (IoT) environments, introduces significant challenges related to computational cost, energy consumption, and system efficiency. In this paper, we present a design-space exploration of hierarchical federated learning architectures for plant disease classification, with a particular focus on the trade-offs between predictive performance and energy efficiency. We further introduce a power- and energy-aware optimization framework that enables the systematic evaluation and selection of model-aggregator configurations under varying deployment constraints. The hierarchical federated architecture organizes distributed clients through intermediate aggregation layers, reducing communication and computational overhead. We evaluate multiple convolutional neural network architectures, including EfficientNet-B0, ResNet-50, and MobileNetV3-Large, in combination with different federated aggregation strategies such as FedAvg, FedProx, and FedAvgM. Experimental results demonstrate that different model-aggregator combinations exhibit distinct performance-energy trade-offs. Consequently, we highlight configurations that achieve competitive diagnostic accuracy and significantly reduce system resource requirements.
• Abstract（参考訳）: 植物病の早期発見は作物の生産性向上に不可欠であり、同時に精密農業の基礎も促進している。 分散ディープラーニングの最近の進歩により、植物病の分類モデルが地理的に分散した農業センサのインフラで訓練できるようになった。 しかし、そのようなシステムを大規模IoT(Internet of Things)環境にデプロイすると、計算コスト、エネルギー消費、システム効率に関する大きな課題が発生する。 本稿では,植物病分類のための階層型フェデレーション学習アーキテクチャの設計空間を探索し,予測性能とエネルギー効率のトレードオフに着目した。 さらに,配置制約の異なるモデル・アグリゲータ構成の体系的評価と選択を可能にするパワー・アンド・エネルギ・アウェア最適化フレームワークを導入する。 階層的なフェデレーションアーキテクチャは、中間アグリゲーション層を通じて分散クライアントを編成し、通信と計算オーバーヘッドを減らす。 我々は,EfficientNet-B0,ResNet-50,MobileNetV3-Largeを含む複数の畳み込みニューラルネットワークアーキテクチャを,FedAvg,FedProx,FedAvgMなどの異なる連邦集約戦略と組み合わせて評価した。 実験により, 異なるモデル・アグリゲータの組み合わせは, 異なる性能・エネルギーのトレードオフを示すことが示された。 その結果、競合する診断精度を実現し、システムリソースの要求を大幅に削減する構成を強調した。

関連論文リスト

• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Towards Heterogeneity-Aware and Energy-Efficient Topology Optimization for Decentralized Federated Learning in Edge Environment [11.034856549533885]
  フェデレートラーニング(FL)はエッジコンピューティング(EC)システムにおいて有望なパラダイムとして登場した。 異種認識とコセット有効分散学習(DFL)フレームワークであるHat-DFedを提案する。
  論文  参考訳（メタデータ） (2025-08-01T03:07:32Z)
• Graph Neural Networks for Electricity Load Forecasting [1.0797981721308225]
  グラフニューラルネットワーク(GNN)は,負荷データの空間依存性をモデル化するための強力なパラダイムとして登場した。 本稿では,グラフに基づく予測とアテンション機構とアンサンブルアグリゲーション戦略を統合した包括的フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-04T16:18:18Z)
• Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems [58.95962217043371]
  提案手法は, エージェントの出力の正確さ, 誤動作の有無を, 異なる範囲の位相の下で伝達する因果関係を解析するための枠組みである。 実験により,有益な情報拡散を保ちながらエラーの伝播を効果的に抑制する,適度に疎らなトポロジが,通常最適なタスク性能を達成できることが判明した。 本稿では,高密度グラフとスパースグラフの両方から接続パターンを融合させることにより,エラー抑制と有益な情報伝達のバランスをとる新しいトポロジ設計手法 EIB-leanrner を提案する。
  論文  参考訳（メタデータ） (2025-05-29T11:21:48Z)
• Cluster-Aware Multi-Round Update for Wireless Federated Learning in Heterogeneous Environments [25.405210975577834]
  本稿では、類似したデータと通信特性を持つグループデバイスとの事前知識の類似性を活用するクラスタリング戦略を提案する。 クラスタを基本単位として扱い、クラスタ化されたコントリビューションしきい値に基づいてローカル更新頻度を調整する新しいクラスタ・アウェア・マルチラウンド・アップデート(CAMU)戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-06T02:48:48Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Beyond Multilayer Perceptrons: Investigating Complex Topologies in Neural Networks [0.12289361708127873]
  ニューラルネットワーク(ANN)の近似能力に及ぼすネットワークトポロジの影響について検討する。 本稿では,Barab'asi-Albert,ErdHos-R'enyi,Watts-Strogatz,Multilayer perceptrons(MLPs)など,様々なトポロジに基づく複雑なANNの構築手法を提案する。 構築されたネットワークは、多様体学習ジェネレータから生成された合成データセット、タスクの難易度とノイズのレベル、およびUCIの実際のデータセットに基づいて評価される。
  論文  参考訳（メタデータ） (2023-03-31T09:48:16Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• 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。