論文の概要: Optimizing Server Placement for Vertical Federated Learning in Dynamic Edge/Fog Networks

• arxiv url: http://arxiv.org/abs/2605.09813v1
• Date: Sun, 10 May 2026 23:30:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.431105
• Title: Optimizing Server Placement for Vertical Federated Learning in Dynamic Edge/Fog Networks
• Title（参考訳）: 動的エッジ/フォッグネットワークにおける垂直的フェデレーション学習のためのサーバ配置最適化
• Authors: Su Wang, Mung Chiang, H. Vincent Poor,
• Abstract要約: 本稿では,エッジ/フォグデバイスに異なるデータ特徴を含む垂直連合学習法(VFL)の制御と最適化について検討する。 本稿では,サーバ制御型VFLを動的ネットワーク(SC-DN)で実現し,まずグローバルラウンド毎の1次定常点の存在を確定する手法を提案する。 本手法は, 過酷な手法よりも, 分類・回帰性能と資源消費量の削減が優れていることを示す。
• 参考スコア（独自算出の注目度）: 49.91939413642465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the control and optimization of vertical federated learning (VFL), a class of distributed machine learning (ML) methods in which edge/fog devices contain separate data features, in dynamic edge/fog networks. Owing to heterogeneous data features and hardware across edge/fog networks, devices' contributions to VFL vary substantially, and, moreover, dynamic edge/fog networks can lead to the permanent exit or entry of select data features. In this setting, our proposed methodology, server controlled VFL in dynamic networks (SC-DN), first establishes the existence of a global first-order stationary point for every global round, and then leverages this result to jointly optimize ML model training and resource consumption based on four key control variables: (i) server placement, (ii) device-to-server transmit power, (iii) local device processor frequency, and (iv) local training iterations per global round. The resulting optimization formulation contains coupled variables as well as numerous forms of logarithmic constraints which we show is a mixed-integer signomial program, an NP-hard problem, and for which we develop a general solver. Finally, via experiments on both image and multi-modal datasets, we show that our methodology demonstrates superior classification/regression performance and resource consumption savings than even greedy methodologies.
• Abstract（参考訳）: 動的エッジ/フォグネットワークにおいて,エッジ/フォグデバイスが別々のデータ特徴を含む分散機械学習(ML)のクラスである垂直連合学習(VFL)の制御と最適化について検討する。 エッジ/フォグネットワーク全体にわたる異種データ機能やハードウェアのため、デバイスによるVFLへのコントリビューションは大きく異なり、動的エッジ/フォグネットワークは、特定のデータ機能の恒久的な終了や参入につながる可能性がある。 本稿では,サーバ制御型VFLを動的ネットワーク(SC-DN)で実現し,まずグローバルラウンド毎にグローバルな1次定常点が存在することを確認し,この結果を利用して,4つのキー制御変数に基づいてMLモデルのトレーニングとリソース消費を協調的に最適化する手法を提案する。 (i)サーバ配置 (ii)装置からサーバへの送電 三 ローカル装置プロセッサの周波数、及び (4)グローバルラウンド毎のローカルトレーニングイテレーション。 得られた最適化の定式化には、結合変数と多数の対数制約が含まれており、これは混合整数シグナミカルプログラム、NPハード問題であり、一般解法を開発するものである。 最後に,画像データとマルチモーダルデータの両方を用いた実験により,本手法は,たとえ強欲な手法であっても,分類・回帰性能と資源消費量の削減が優れていることを示す。

関連論文リスト

• Device Sampling and Resource Optimization for Federated Learning in Cooperative Edge Networks [17.637761046608]
  フェデレーテッド・ラーニング(FedL)は、サーバによって定期的に集約されたローカルモデルをトレーニングすることで、機械学習(ML)をワーカーデバイスに分散させる。 FedLは、同時代の無線ネットワークの2つの重要な特徴を無視している: (i) ネットワークには異種通信/計算資源が含まれており、 (ii) デバイスのローカルデータ分布にかなりの重複がある可能性がある。 デバイス間オフロード(D2D)によって補完されるインテリジェントデバイスサンプリングにより,これらの要因を共同で考慮する新しい最適化手法を開発した。
  論文  参考訳（メタデータ） (2023-11-07T21:17:59Z)
• Taming Gradient Variance in Federated Learning with Networked Control Variates [5.424502283356168]
  機械学習に対する分散型アプローチであるフェデレーション学習は、広範な通信オーバーヘッドなどの大きな課題に直面している。 フェデレートラーニングのための新しいネットワーク制御変数(FedNCV)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T07:32:52Z)
• 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-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point [51.47520726446029]
  協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。 CE-FLの過程をモデル化し,分析訓練を行った。 実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2022-03-26T00:41:57Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Device Sampling for Heterogeneous Federated Learning: Theory, Algorithms, and Implementation [24.084053136210027]
  グラフシーケンシャル畳み込みネットワーク(GCN)に基づくサンプリング手法を開発した。 提案手法は,全機器の5%以下をサンプリングしながら,訓練されたモデル精度と必要なリソース利用の両面で,fedl(federated learning)を実質的に上回っている。
  論文  参考訳（メタデータ） (2021-01-04T05:59:50Z)

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。