論文の概要: Hardware-Aware Federated Learning for Speech Emotion Recognition
- arxiv url: http://arxiv.org/abs/2605.24712v1
- Date: Sat, 23 May 2026 19:52:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.341721
- Title: Hardware-Aware Federated Learning for Speech Emotion Recognition
- Title（参考訳）: ハードウェア・アウェア・フェデレーション・ラーニングによる音声感情認識
- Authors: Beyazit Bestami Yuksel, Emrah Dikbiyik,
- Abstract要約: 本稿では,セッション分割IEMOCAP上での感情認識のためのハードウェア対応フェデレーション学習フレームワークを提案する。
提案手法は,50ラウンドおよび5回の独立試験において,競争検証精度(0.352)を達成し,FedAvgと比較してトレーニング時間を約36.5%削減し,累積通信コストを40%削減することを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning (FL) enables privacy-preserving collaborative training across distributed edge devices, but real deployments involve heterogeneous clients with different processing power, memory capacity, and communication latency, which often increase round duration and system cost. This paper proposes a hardware-aware federated learning framework for emotion recognition on session-partitioned IEMOCAP that integrates hardware profiling, top-K client selection, and adaptive local epochs within a unified training loop. We compare the method against FedAvg, FedProx, and random top-K selection under a non-IID setup and show that, across 50 federated rounds and 5 independent trials, the proposed approach achieves competitive validation accuracy (0.352), reduces total training time by about 36.5% compared to FedAvg, and lowers cumulative communication cost by 40%.
- Abstract（参考訳）: フェデレートラーニング(FL)は、分散エッジデバイス間でのプライバシ保護による協調トレーニングを可能にするが、実際のデプロイメントには、処理能力の異なる異種クライアント、メモリ容量、通信遅延が伴う。
本稿では,ハードウェアプロファイリング,トップKクライアント選択,適応型ローカルエポックを統合学習ループに統合した,セッション分割IEMOCAP上での感情認識のためのハードウェア対応フェデレーション学習フレームワークを提案する。
提案手法は,FedAvg,FedProx,ランダムトップK選択を非IID設定で比較し,50回以上のフェデレーションラウンドと5回の独立試験において,競合検証精度(0.352)を達成し,FedAvgと比較してトレーニング時間を約36.5%削減し,累積通信コストを40%削減することを示した。
関連論文リスト
- VARS-FL: Validation-Aligned Client Selection for Non-IID Federated Learning in IoT Systems [0.7305019142196584]
VARS-FLはクライアント選択フレームワークであり、更新によって引き起こされるサーバ側のバリデーション損失の低減を利用して、各クライアントのコントリビューションを定量化する。
We evaluate it on a 15-class non-IID IoT Intrusion Detection task using the Edge-Iset dataset。
論文 参考訳（メタデータ） (2026-05-07T09:09:07Z) - Enhanced Privacy and Communication Efficiency in Non-IID Federated Learning with Adaptive Quantization and Differential Privacy [0.0]
Federated Learning(FL)は、複数のデバイスが基盤となるデータを共有することなく、協調的にモデルをトレーニングする分散機械学習手法である。
FLの主な課題の1つは、接続速度とデバイス間の帯域幅の変化によって引き起こされる通信ボトルネックである。
我々は、差分プライバシー(DP)と適応量子化法を組み合わせて、プライバシーと通信効率の両方に対処する。
論文 参考訳（メタデータ） (2026-04-25T19:43:05Z) - Sparse-ProxSkip: Accelerated Sparse-to-Sparse Training in Federated Learning [56.21666819468249]
FL(Federated Learning)では、クライアントリソースの制約と通信コストの両方が、大規模モデルのトレーニングに大きな問題を引き起こします。
最近の研究によると、局所的な訓練は加速によってコミュニケーションの複雑さを確実に改善する。
Sparse-ProxSkipを導入し、その課題に対処し、Sparse Training に展開する Straight-Through Estorimat の効率的な手法を実装した。
論文 参考訳（メタデータ） (2024-05-31T05:21:12Z) - Ranking-based Client Selection with Imitation Learning for Efficient Federated Learning [20.412469498888292]
フェデレートラーニング(FL)は、複数のデバイスが共同で共有モデルをトレーニングすることを可能にする。
各トレーニングラウンドにおける参加デバイスの選択は、モデル性能とトレーニング効率の両方に重大な影響を及ぼす。
我々は、エンドツーエンドのランキングベースのアプローチであるFedRankという新しいデバイス選択ソリューションを導入する。
論文 参考訳（メタデータ） (2024-05-07T08:44:29Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳（メタデータ） (2023-09-18T12:35:05Z) - SemiSFL: Split Federated Learning on Unlabeled and Non-IID Data [34.49090830845118]
フェデレートラーニング(FL)は、複数のクライアントがネットワークエッジでプライベートデータ上で機械学習モデルを協調的にトレーニングできるようにするためのものだ。
クラスタリング正規化を取り入れて,ラベルなしおよび非IIDクライアントデータでSFLを実行する,Semi-supervised SFLシステムを提案する。
本システムは,訓練時間の3.8倍の高速化を実現し,目標精度を達成しつつ通信コストを約70.3%削減し,非IIDシナリオで最大5.8%の精度向上を実現する。
論文 参考訳（メタデータ） (2023-07-29T02:35:37Z) - DPP-based Client Selection for Federated Learning with Non-IID Data [97.1195165400568]
本稿では,統合学習(FL)のコミュニケーションボトルネックに対処するクライアント選択(CS)手法を提案する。
まず、FLにおけるCSの効果を分析し、各学習ラウンドにおけるトレーニングデータセットの多様化に参加者を適切に選択することで、FLトレーニングを加速させることができることを示す。
我々は、データプロファイリングと決定点プロセス(DPP)サンプリング技術を活用し、DPPに基づく参加者選択(FL-DP$3$S)によるフェデレートラーニング(Federated Learning)と呼ばれるアルゴリズムを開発する。
論文 参考訳（メタデータ） (2023-03-30T13:14:54Z) - 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) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-26T08:13:22Z) - FedSkel: Efficient Federated Learning on Heterogeneous Systems with
Skeleton Gradients Update [11.920058578582994]
フェデレーション学習は、異なる参加者からデータ分析を行いながら、ユーザのプライバシを保護することを目的としている。
本稿では,エッジデバイス上での計算効率と通信効率のよいフェデレーション学習を実現するためのFedSkelを提案する。
論文 参考訳（メタデータ） (2021-08-20T09:21:58Z) - Joint Client Scheduling and Resource Allocation under Channel
Uncertainty in Federated Learning [47.97586668316476]
無線ネットワーク上のフェデレートラーニング(FL)は、クライアントサーバの接続性とクライアントのローカル計算能力の信頼性に依存する。
本稿では、FLを用いたモデルトレーニングの性能を高めるため、クライアントスケジューリングとリソースブロック(RB)割り当ての問題について検討する。
提案手法は,最先端クライアントスケジューリングやRBアロケーション手法と比較して,トレーニング精度損失のギャップを最大40.7%削減する。
論文 参考訳（メタデータ） (2021-06-12T15:18:48Z)
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。