論文の概要: EdgeFlowerTune: Evaluating Federated LLM Fine-Tuning Under Realistic Edge System Constraints
- arxiv url: http://arxiv.org/abs/2605.08636v1
- Date: Sat, 09 May 2026 03:02:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.783041
- Title: EdgeFlowerTune: Evaluating Federated LLM Fine-Tuning Under Realistic Edge System Constraints
- Title（参考訳）: EdgeFlowerTune: 現実的なエッジシステム制約下でのフェデレーションLLMファインチューニングの評価
- Abstract要約: フェデレートされた微調整は、ユーザデータのプライバシを損なうことなく、エッジデバイスに大規模な言語モデル(LLM)を適用することができる。
We present EdgeFlowerTune, a deployment-oriented benchmark for federated LLM fine-tuning under real edge-system constraints。
EdgeFlowerTuneは、FlowerとMobileFineTuner上に構築された、商用AndroidスマートフォンとNVIDIAエッジ開発ボードにまたがる、リアルタイムのデバイスプラットフォームです。
- 参考スコア（独自算出の注目度）: 13.619000805140416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated fine-tuning offers a promising paradigm for adapting large language models (LLMs) on edge devices by leveraging the rich, diverse, and continuously generated data from smartphones and IoT devices without compromising user data privacy. Such edge-side adaptation can improve model personalization, robustness, and responsiveness to local contexts. However, the practical feasibility of federated LLM fine-tuning on real edge devices remains unclear, as most existing work focuses on cross-silo or simulation-based settings, overlooking the resource and runtime constraints that determine whether a method is deployable on real edge systems. We present EdgeFlowerTune, a deployment-oriented benchmark for federated LLM fine-tuning under realistic edge-system constraints. EdgeFlowerTune jointly evaluates model quality and system costs, including communication, wall-clock latency, memory usage, energy consumption, and robustness to dynamic edge conditions. To compare methods in terms of effectiveness, efficiency, and robustness, EdgeFlowerTune introduces three complementary protocols: Quality-under-Budget, Cost-to-Target, and Robustness. We instantiate EdgeFlowerTune as a real-device platform built on Flower and MobileFineTuner, spanning commercial Android smartphones and NVIDIA edge development boards. Our benchmark results show that accuracy-only evaluation can lead to misleading conclusions: methods with similar final quality may differ substantially in deployability once realistic system constraints are considered. EdgeFlowerTune provides a reproducible benchmark for system-aware evaluation of federated LLM fine-tuning at the edge.
- Abstract（参考訳）: Federated Fine-tuningは、ユーザデータのプライバシを損なうことなく、スマートフォンやIoTデバイスからリッチで多様な、継続的な生成データを活用することによって、エッジデバイスに大規模言語モデル(LLM)を適用するための有望なパラダイムを提供する。
このようなエッジ側適応は、モデルのパーソナライゼーション、堅牢性、およびローカルコンテキストに対する応答性を改善することができる。
しかし、実際のエッジシステム上でメソッドがデプロイ可能であるかどうかを決定するリソースや実行時の制約を見越して、クロスサイロやシミュレーションベースの設定に重点を置いているため、実際のエッジデバイス上でのフェデレーションLLMファインタニングの実現可能性はまだ不明である。
We present EdgeFlowerTune, a deployment-oriented benchmark for federated LLM fine-tuning under real edge-system constraints。
EdgeFlowerTuneは、通信、ウォールタイムレイテンシ、メモリ使用量、エネルギー消費、動的エッジ条件に対する堅牢性など、モデル品質とシステムコストを共同で評価する。
EdgeFlowerTuneは、有効性、効率性、堅牢性の観点からメソッドを比較するために、Quality-under-Budget、Cost-to-Target、Robustnessという3つの補完的なプロトコルを導入している。
EdgeFlowerTuneは、FlowerとMobileFineTuner上に構築された、商用AndroidスマートフォンとNVIDIAエッジ開発ボードにまたがる、デバイスプラットフォームです。
実際のシステム制約を考慮した場合, 最終品質の手法は, 実際のシステム制約を考慮すれば, デプロイ性に大きく違いがある可能性がある。
EdgeFlowerTuneは、エッジにおけるフェデレーションLLM微調整のシステム認識評価のための再現可能なベンチマークを提供する。
関連論文リスト
- Diffusion Language Models for Mobile Edge Agentic AI: Foundations, Applications, and Challenges [58.887152635127165]
拡散言語モデル(DLM)は、モバイルエッジエージェント人工知能(AI)の非自己回帰的な代替手段を提供する
DLMは複数の不確実なトークンを並列に更新し、生成プロセスを通して双方向のコンテキストを利用することができる。
この調査は、DLMの基礎をレビューし、レイテンシ、メモリ、エネルギ、帯域幅、プライバシ、信頼性制約の下でのエッジ設定に対する適合性を分析します。
論文 参考訳（メタデータ） (2026-09-04T06:16:49Z) - ROEVO: Robust Organized Edge Feature-based Visual Odometry Using RGB-D Cameras [40.627014939508136]
本研究は,画像エッジ特徴を利用した視覚計測システム(VO)を提案する。
本稿では,不整合エッジ画素を逐次化クラスタに変換する,テキスト化エッジと呼ばれる新しい特徴表現を提案する。
追跡のために、ピクセル単位の残差ではなくエッジ単位を定式化し、堅牢で正確なフレーム間登録を実現する。
共同最適化のために,新しい形状保存エッジフィッティング法と組織化されたエッジベースバンドル調整(BA)手法を導入する。
論文 参考訳（メタデータ） (2026-08-10T04:38:52Z) - Benchmarking Federated Learning in Edge Computing Environments: A Systematic Review and Performance Evaluation [0.0]
Federated Learning (FL) は分散機械学習の変革的アプローチとして登場した。
本稿では,エッジコンピューティングに適したFL手法の体系的レビューと性能評価を行う。
最先端の手法を最適化戦略、通信効率、プライバシー保護機構、システムアーキテクチャの4つの次元に分類する。
論文 参考訳（メタデータ） (2026-02-24T16:05:13Z) - Unleashing MLLMs on the Edge: A Unified Framework for Cross-Modal ReID via Adaptive SVD Distillation [48.88299242238335]
CM-ReID(Cross-Modal Re-identification)は、特別なクラウドモデルの断片化されたエコシステムを維持するため、課題に直面している。
我々は,強力なクラウドエッジアーキテクチャに基づく統一フレームワークであるMLLMEmbed-ReIDを提案する。
論文 参考訳（メタデータ） (2026-02-13T13:48:08Z) - 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) - EdgeReasoning: Characterizing Reasoning LLM Deployment on Edge GPUs [0.36050743818632486]
エッジGPU上の推論タスクのための大規模言語モデル(LLM)は、厳格なレイテンシ制約と限られた計算リソースから重要な課題に直面している。
これらの制約をナビゲートするには、推論と非推論アーキテクチャのバランス、適切なモデルサイズの選択、トークン予算の割り当て、テスト時のスケーリング戦略の適用が必要です。
We present EdgeReasoning, a comprehensive study that the deployment of reasoning LLMs on edge GPUs。
論文 参考訳（メタデータ） (2025-10-21T04:18:25Z) - Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation [56.36237936346563]
ファンデーションモデル(FM)は顕著な一般化を示すが、下流のタスクに適応する必要がある。
データプライバシー規制のため、クラウドベースのFMはプライベートエッジデータに直接アクセスできない。
エッジデバイスがラベルのない低解像度のデータのみを保持する実践的セミスーパービジョン・フェデレーションラーニング(PSSFL)を導入する。
我々の研究は、フェデレートされたシナリオにおけるスケーラブルでプライバシ保護のFM適応の道を開いた。
論文 参考訳（メタデータ） (2025-08-22T17:47:02Z) - EdgeMLOps: Operationalizing ML models with Cumulocity IoT and thin-edge.io for Visual quality Inspection [0.0]
本稿では、リソース制約のあるエッジデバイス上で機械学習モデルをデプロイおよび管理するために、Cumu IoTとThin-edge.ioを活用するフレームワークであるEdgeMLOpsを紹介する。
エッジ環境におけるモデル最適化、デプロイメント、ライフサイクル管理の課題に対処する。
フレームワークの有効性は、エッジデバイス上で資産のイメージを処理する視覚的品質検査(VQI)のユースケースを通じて実証され、資産管理システム内でリアルタイムの条件更新を可能にする。
論文 参考訳（メタデータ） (2025-01-28T16:40:40Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。
本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
論文 参考訳（メタデータ） (2023-06-08T13:11:20Z) - Adaptive Dynamic Pruning for Non-IID Federated Learning [3.8666113275834335]
フェデレートラーニング(FL)は、データセキュリティとプライバシを犠牲にすることなく機械学習モデルをトレーニングする新たなパラダイムとして登場した。
FLシステムにおけるエッジデバイスに対する適応型プルーニング方式を提案し,非IIDデータセットの推論高速化にデータセット対応動的プルーニングを適用した。
論文 参考訳（メタデータ） (2021-06-13T05:27:43Z) - Accelerating Federated Learning over Reliability-Agnostic Clients in
Mobile Edge Computing Systems [15.923599062148135]
フェデレーション学習は、AIアプリケーションを促進するための、将来性のあるプライバシ保護アプローチとして登場した。
MECアーキテクチャと統合された場合、FLの効率性と効率を最適化することは依然として大きな課題である。
本稿では,MECアーキテクチャのために,HybridFLと呼ばれる多層フェデレート学習プロトコルを設計する。
論文 参考訳（メタデータ） (2020-07-28T17:35:39Z)
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。