論文の概要: Personalized Federated Learning by Energy-Efficient UAV Communications

• arxiv url: http://arxiv.org/abs/2605.25212v1
• Date: Sun, 24 May 2026 18:21:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.026017
• Title: Personalized Federated Learning by Energy-Efficient UAV Communications
• Title（参考訳）: エネルギー効率の良いUAV通信による個人化フェデレーション学習
• Authors: Shiqian Guo, Jianqing Liu, Beatriz Lorenzo,
• Abstract要約: フェデレートラーニング(FL)は、データプライバシを保持しながらエッジデバイスの学習能力を向上するための効果的なパラダイムである。 本稿では,エネルギー効率と学習性能を協調的に考慮した勾配に基づくスケジューリング手法を提案する。 各通信ラウンドでは、バックボーンはグラデーション$ell_2$-normでランク付けされた上位$$デバイスによってのみ更新される。
• 参考スコア（独自算出の注目度）: 5.103817433539981
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated learning (FL) is an effective paradigm for enhancing the learning capability of edge devices while preserving data privacy. In geographically dispersed FL systems, such as sensor networks in remote areas, unmanned aerial vehicles (UAVs) can flexibly establish high-quality communication links to support parameter exchange. However, device heterogeneity and the limited battery capacity of UAVs pose significant challenges. Specifically, data heterogeneity slows convergence, while scheduling all devices for global collaboration incurs excessive communication and energy costs. To overcome these challenges, we adopt a strict separation between a globally shared backbone and permanently local personalization heads, thereby mitigating the impact of data heterogeneity. Furthermore, we propose a gradient-based scheduling strategy that jointly considers energy efficiency and learning performance. In each communication round, the backbone is updated only by the top-$α$ devices ranked by gradient $\ell_{2}$-norm, ensuring that optimization focuses on the most informative updates. Simulation results demonstrate that the proposed scheme achieves higher learning accuracy than state-of-the-art approaches while significantly reducing UAV energy consumption.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データプライバシを保持しながらエッジデバイスの学習能力を向上するための効果的なパラダイムである。 遠隔地におけるセンサネットワークのような地理的に分散したFLシステムでは、無人航空機(UAV)はパラメータ交換をサポートするための高品質な通信リンクを柔軟に確立することができる。 しかし、デバイスの不均一性とUAVのバッテリー容量の制限は大きな課題となる。 具体的には、データの均一性は収束を遅くし、グローバルなコラボレーションのためにすべてのデバイスをスケジューリングすると、過剰な通信とエネルギーコストが発生する。 これらの課題を克服するために、グローバルな共有バックボーンと恒久的に局所的なパーソナライズヘッドとの厳密な分離を採用し、データの不均一性の影響を軽減する。 さらに,エネルギー効率と学習性能を協調的に考慮した勾配に基づくスケジューリング手法を提案する。 各通信ラウンドでは、バックボーンはグラデーション$\ell_{2}$-normでランク付けされた上位α$デバイスによってのみ更新される。 シミュレーションの結果,提案手法は,UAVエネルギー消費量を大幅に削減しつつ,最先端手法よりも高い学習精度を実現することが示された。

関連論文リスト

• Energy-Efficient Federated Learning for Edge Real-Time Vision via Joint Data, Computation, and Communication Design [43.89869891417806]
  無線エッジデバイスにおけるリアルタイムコンピュータビジョン(CV)アプリケーションは、エネルギー効率とプライバシ保護の学習を必要とする。 信頼できない無線ネットワーク上でのリアルタイムCVのための超エネルギー効率FLフレームワークであるFedDPQを提案する。
  論文  参考訳（メタデータ） (2025-08-03T13:05:11Z)
• Learn More by Using Less: Distributed Learning with Energy-Constrained Devices [4.036740581753959]
  Federated Learning(FL)は、分散モデルトレーニングのソリューションとして、分散化されたプライバシ保護デバイスに登場した。 本稿では,電池に制約のあるデバイス上でのクライアント選択とトレーニング作業の最適化を目的とした,エネルギーを意識したFLフレームワークであるLeanFedを提案する。
  論文  参考訳（メタデータ） (2024-12-03T09:06:57Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• 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-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)

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。