論文の概要: Federated Learning over Human-Body Communication for On-Body Edge Intelligence: A Survey, Taxonomy, and BODYFED-HBC Scheduling Vignette

• arxiv url: http://arxiv.org/abs/2605.24062v1
• Date: Fri, 22 May 2026 03:44:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.569487
• Title: Federated Learning over Human-Body Communication for On-Body Edge Intelligence: A Survey, Taxonomy, and BODYFED-HBC Scheduling Vignette
• Title（参考訳）: オンボディエッジインテリジェンスのための人体コミュニケーションに関するフェデレートラーニング:調査,分類,およびBODYFED-HBCスケジューリングビグネット
• Authors: Koffka Khan,
• Abstract要約: HBC(Human-body Communication)は、ウェアラブルなボディエリアネットワークのための、有望な物理基板である。 フェデレーテッド・ラーニング(FL)は、生理的および行動的センシングのための生データの集中化を減らすことができるため、有望な学習基盤である。 本稿では、HBC、無線ボディエリアネットワーク、ウェアラブルFL、インターネット・オブ・ボディーズ・プライバシ、エッジ・インテリジェンス最適化の交差点について調査する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human-body communication (HBC) is a promising physical substrate for wearable body-area networks because it can localize communication around the body and reduce the burden of conventional radio links. Federated learning (FL) is a promising learning substrate because it can reduce raw-data centralization for physiological and behavioral sensing. Yet these two literatures remain weakly connected: FL for wearables usually abstracts the communication layer, whereas HBC research usually abstracts learning and model-update traffic. This article surveys the intersection of HBC, wireless body-area networks, wearable FL, Internet-of-Bodies privacy, and edge-intelligence optimization. We propose a taxonomy that distinguishes intra-body, body-hub, cross-user, and clinical-cloud FL deployments, and we identify the open problem of body-channel-aware FL: learning protocols whose client selection, update compression, and aggregation are controlled by posture-dependent HBC links, residual energy, sensor memory, and privacy risk. To make the research agenda concrete, we introduce BODYFED-HBC as a reference architecture and provide an optimization formulation and scheduling algorithm. We further specify a reproducible simulation vignette that combines public wearable datasets with empirical body-coupled-communication signal-loss models. The article concludes with open datasets, evaluation metrics, limitations, and research directions for computer scientists working above the hardware layer.
• Abstract（参考訳）: 人体通信(HBC)は、身体の周囲の通信を局所化し、従来の無線リンクの負担を軽減できるため、ウェアラブル・ボディエリアネットワークにとって有望な物理基板である。 フェデレーテッド・ラーニング(FL)は、生理的および行動的センシングのための生データの集中化を減らすことができるため、有望な学習基盤である。 ウェアラブルのFLは通信層を抽象化するのに対し、HBCの研究は学習とモデル更新のトラフィックを抽象化する。 本稿では,HBC,無線ボディエリアネットワーク,ウェアラブルFL,インターネット・オブ・ボディーズ・プライバシ,エッジ・インテリジェンス最適化の交差点について検討する。 本研究では,体内,体内ハブ,クロスユーザ,臨床クラウド FL の展開を識別する分類法を提案し,クライアント選択,更新圧縮,集約が姿勢依存型HBCリンク,残エネルギー,センサメモリ,プライバシリスクによって制御される学習プロトコルである体チャネル認識 FL のオープンな問題を特定する。 研究課題を具体化するために,BODYFED-HBCを参照アーキテクチャとして導入し,最適化定式化とスケジューリングアルゴリズムを提案する。 さらに、パブリックなウェアラブルデータセットと、実証的な身体結合通信信号損失モデルを組み合わせた再現可能なシミュレーションウィグレットを規定する。 この記事は、ハードウェア層の上で働くコンピュータ科学者のためのオープンデータセット、評価指標、制限、研究の方向性で締めくくっている。

関連論文リスト

• UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces [7.71021447675552]
  既存のアプローチでは、限られたスケールの異種データ、クロスドメインの分散シフト、トレーニング可能なニューラルネットワークの削減など、重要な課題に直面している。 本研究では、侵襲的脳インターフェイスのための統合された事前学習モデルを提案する。 結果は、UniBCIが汎用神経基盤モデルへの実践的なステップを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-04-30T06:30:24Z)
• Spiking Personalized Federated Learning for Brain-Computer Interface-Enabled Immersive Communication [20.892529341998877]
  本研究は,脳-コンピュータインタフェース(BCI)を利用して脳信号を取得し,ユーザ中心の状態の推測を行う新しい没入型通信フレームワークを提案する。 収集した脳信号を分析し処理するためのパーソナライズド・フェデレーション・ラーニング(PFL)モデルを開発した。 提案手法は,従来のニューラルネットワークを用いたパーソナライズされたベースラインと比較して,推論エネルギーを6.46$times$に抑えながら,全体の識別精度を最大化する。
  論文  参考訳（メタデータ） (2026-03-24T02:46:47Z)
• Semantic Communication-Enhanced Split Federated Learning for Vehicular Networks: Architecture, Challenges, and Case Study [50.345531105285524]
  車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムにとって不可欠である。 動的車両ネットワークにおける従来の集中学習は、通信オーバーヘッドとプライバシーリスクに直面する。 本稿では,意味コミュニケーション強化型分割学習(SC-USFL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-05T08:36:49Z)
• Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
  E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。 eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。 医療データは水平および垂直に分割される。 HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
  論文  参考訳（メタデータ） (2024-04-15T19:45:07Z)
• Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
  人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T08:29:16Z)
• An embedding for EEG signals learned using a triplet loss [0.0]
  脳-コンピュータインタフェース(BCI)では、デコードされた脳状態情報を最小の時間遅延で使用することができる。 このようなデコードタスクの課題は、小さなデータセットサイズによって引き起こされる。 神経生理学的データのための新しいドメイン特異的埋め込みを提案する。
  論文  参考訳（メタデータ） (2023-03-23T09:05:20Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• On the Design of Communication-Efficient Federated Learning for Health Monitoring [21.433739206682404]
  本稿では,クライアントクラスタリングと伝達学習を含む通信効率のよいフェデレーション学習(CEFL)フレームワークを提案する。 CEFLは従来のFLと比較して、通信コストを最大98.45%削減でき、精度損失は3%未満である。
  論文  参考訳（メタデータ） (2022-11-30T12:52:23Z)
• Distributed Contrastive Learning for Medical Image Segmentation [16.3860181959878]
  監視されたディープラーニングは、高いパフォーマンスを達成するために大量のラベル付きデータを必要とします。 医用画像解析では、各サイトは限られた量のデータとラベルしか持たず、学習を効果的にしない。 アノテーションを限定した医用画像セグメンテーションのための2つのフェデレーション型自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-07T20:47:05Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。