Fugu-MT 論文翻訳(概要): M$^2$FedAQI: Multimodal Federated Learning for Air Quality Prediction on Heterogeneous Edge Devices

論文の概要: M$^2$FedAQI: Multimodal Federated Learning for Air Quality Prediction on Heterogeneous Edge Devices

arxiv url: http://arxiv.org/abs/2605.16375v1
Date: Sun, 10 May 2026 20:21:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 23:51:08.303078
Title: M$^2$FedAQI: Multimodal Federated Learning for Air Quality Prediction on Heterogeneous Edge Devices
Title（参考訳）: M$^2$FedAQI:異種エッジデバイスにおける空気質予測のためのマルチモーダル・フェデレーション学習
Authors: Manjil Nepal, Kimsie Phan, Tamoghna Ojha, Aritra Dutta, M Krishna Siva Prasad,
Abstract要約: M$2$FedAQIは、異種エッジデバイス間での分散空気品質指標(AQI)予測のための軽量なマルチモーダルフェデレーションフレームワークである。 M$2$FedAQIは、既存のアプローチを一貫して上回り、精度が最大11.0%、AUCが3.53%、F1スコアが12.2%、R2$が18.0%向上した。 TLSベースの認証は、セキュアなクライアント参加を保証し、FL通信チャネルを不正なサードパーティアクセスから保護するために組み込まれている。
参考スコア（独自算出の注目度）: 2.2121027148817314
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate air quality prediction is essential for public health, environmental monitoring, and industrial safety. However, most existing approaches rely on centralized learning paradigms, which introduce challenges related to scalability, privacy preservation, and communication overhead in distributed Internet of Things (IoT) environments. Moreover, current federated learning (FL) based solutions predominantly utilize unimodal data, limiting their capability to capture complex environmental patterns. To address these limitations, we propose M$^2$FedAQI, a lightweight multimodal federated framework for decentralized Air Quality Index (AQI) prediction across heterogeneous edge devices. The proposed framework integrates visual and tabular modalities through a feature modulation based fusion mechanism that enables efficient cross-modal interaction while maintaining low computational overhead. M$^2$FedAQI is evaluated on two benchmark datasets, PM25Vision and TRAQID, for both classification and regression tasks under centralized and federated settings. Experimental results demonstrate that M$^2$FedAQI consistently outperforms existing approaches, achieving improvements of up to 11.0\% in Accuracy, 3.53\% in AUC, 12.2\% in F1-score, and 18.0\% in $R^2$, while reducing MAE and RMSE by up to 25.4\% and 20.4\%, respectively, compared with the strongest baselines. Furthermore, deployment on heterogeneous edge devices demonstrates efficient resource utilization in terms of communication overhead, memory footprint, and computational cost. To enhance communication security, TLS-based authentication is incorporated to ensure secure client participation and protect the FL communication channel from unauthorized third-party access without modifying the underlying FL protocol.
Abstract（参考訳）: 正確な空気質予測は公衆衛生、環境モニタリング、産業安全に不可欠である。しかし、既存のアプローチのほとんどは集中型学習パラダイムに依存しており、分散IoT(Internet of Things)環境でのスケーラビリティ、プライバシ保護、通信オーバーヘッドに関連する課題を導入している。さらに、現在のフェデレートラーニング(FL)ベースのソリューションは、主に単調なデータを使用し、複雑な環境パターンをキャプチャする能力を制限する。これらの制約に対処するため、異種エッジデバイス間での分散空気品質指標(AQI)予測のための軽量なマルチモーダル・フェデレーションフレームワークであるM$^2$FedAQIを提案する。提案フレームワークは,低計算オーバーヘッドを維持しつつ,効率的な相互モーダル相互作用を可能にする特徴変調に基づく融合機構により,視覚的・表的モダリティを統合する。 M$^2$FedAQIは、2つのベンチマークデータセットPM25VisionとTRAQIDで、集中的および統合された設定下での分類タスクと回帰タスクの両方について評価される。実験結果から、M$^2$FedAQIは既存の手法を一貫して上回り、AUCでは最大11.0\%、AUCでは3.53\%、F1-scoreでは12.2\%、$R^2$では18.0\%、MAEとRMSEを最大25.4\%、20.4\%に改善した。さらに、異種エッジデバイスへの展開は、通信オーバーヘッド、メモリフットプリント、計算コストの観点から、効率的な資源利用を示す。通信セキュリティを強化するため、TLSベースの認証が組み込まれ、クライアントのセキュアな参加を保証し、基盤となるFLプロトコルを変更することなく、FL通信チャネルを不正なサードパーティアクセスから保護する。

論文の概要: M$^2$FedAQI: Multimodal Federated Learning for Air Quality Prediction on Heterogeneous Edge Devices

関連論文リスト