論文の概要: Bandwidth Allocation with Device Partitioning for Federated Learning over Industrial IoT networks

• arxiv url: http://arxiv.org/abs/2605.30892v1
• Date: Fri, 29 May 2026 06:27:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.418689
• Title: Bandwidth Allocation with Device Partitioning for Federated Learning over Industrial IoT networks
• Title（参考訳）: 産業用IoTネットワーク上でのフェデレーション学習のためのデバイス分割による帯域割当
• Abstract要約: 我々は,産業用インターネット・オブ・シング(IIoT)デバイスが,ローカルデータを共有せずに,無線チャネル上でグローバルなモデルをトレーニングするフェデレート学習システムを検討する。 このようなシステムでは、コミュニケーション時間は訓練の効率を抑える主要なボトルネックとなる。 本稿では、デバイスコンピューティング能力の不均一性を利用して、トレーニング時間を最小化する新しい帯域割り当てポリシーを提案する。
• 参考スコア（独自算出の注目度）: 2.4239567719456785
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We consider a federated learning (FL) system in which Industrial Internet-of-Things (IIoT) devices collaboratively train a global model over wireless channels without sharing local data. In such systems, communication time is a primary bottleneck that constrains overall training efficiency. Unlike conventional networks that prioritize individual quality-of-service requirements, FL systems collectively aim to converge to an optimal global model as efficiently as possible, which calls for a fundamentally different approach to bandwidth allocation. In this paper, we propose a novel bandwidth allocation policy that exploits the heterogeneity of device computing capabilities to minimize total training time. Rather than distributing bandwidth among all selected devices simultaneously, the proposed policy partitions the participating devices into ordered subsets and sequentially grants each subset exclusive access to the full bandwidth. We formally prove that this partitioning-based policy achieves a strictly lower training time than any bandwidth allocation scheme without partitioning, irrespective of the underlying scheduling algorithm. Furthermore, by reducing per-device transmission duration, the proposed policy also minimizes uplink energy consumption, which is particularly beneficial for battery-constrained IIoT devices. Extensive experiments on real-world datasets - including GC10-Det, an industrial surface defect benchmark, and CIFAR-10, a standard image classification benchmark - demonstrate that the proposed policy consistently reduces training time and energy consumption compared to existing bandwidth allocation schemes, approaching the theoretical lower bound on round time.
• Abstract（参考訳）: 我々は,産業用インターネット・オブ・シングス(IIoT)デバイスがローカルデータを共有せずに,無線チャネル上のグローバルモデルを協調的にトレーニングするフェデレートラーニング(FL)システムについて検討する。 このようなシステムでは、コミュニケーション時間は訓練の効率を抑える主要なボトルネックとなる。 個々の品質要件を優先する従来のネットワークとは異なり、FLシステムは可能な限り効率的に最適なグローバルモデルに収束することを目的としており、バンド幅割り当てに対する根本的に異なるアプローチを要求している。 本稿では、デバイスコンピューティング能力の不均一性を利用して、トレーニング時間を最小化する新しい帯域割り当てポリシーを提案する。 提案したポリシーは、選択されたすべてのデバイス間で帯域幅を同時に分散するのではなく、参加するデバイスを順序付けられたサブセットに分割し、各サブセットに全帯域幅への排他的アクセスをシーケンシャルに付与する。 我々は,この分割に基づくポリシが,基礎となるスケジューリングアルゴリズムに関係なく,パーティショニングなしで任意の帯域割り当て方式よりも厳格に訓練時間を短縮できることを正式に証明する。 さらに,デバイスごとの伝送時間を削減することで,バッテリ拘束型IIoTデバイスにおいて特に有益であるアップリンクエネルギー消費を最小化することができる。 産業用表面欠陥ベンチマークであるGC10-Detや標準画像分類ベンチマークであるCIFAR-10などの実世界のデータセットに関する大規模な実験は、提案されたポリシーが既存の帯域割り当て方式と比較してトレーニング時間とエネルギー消費を一貫して削減し、ラウンドタイムの理論的下限に近づいたことを実証している。

関連論文リスト

• A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC in Industrial IoT [16.167107624956294]
  産業用IoT(Industrial Internet of Things)ネットワークは、重要なプロセスをサポートするために、ウルトラ信頼性の低い低レイテンシ通信(URLLC)を提供する。 無線リソースを割り当てるための標準プロトコルは、特にアップリンク通信において、レイテンシと信頼性のトレードオフを最適化しない可能性がある。
  論文  参考訳（メタデータ） (2023-11-21T12:22:04Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• Hierarchical Personalized Federated Learning Over Massive Mobile Edge Computing Networks [95.39148209543175]
  大規模MECネットワーク上でPFLをデプロイするアルゴリズムである階層型PFL(HPFL)を提案する。 HPFLは、最適帯域割り当てを共同で決定しながら、トレーニング損失最小化とラウンドレイテンシ最小化の目的を組み合わせる。
  論文  参考訳（メタデータ） (2023-03-19T06:00:05Z)
• Semi-Synchronous Personalized Federated Learning over Mobile Edge Networks [88.50555581186799]
  我々は,モバイルエッジネットワーク上での半同期パーソナライズフェデレーション(PerFedS$2$)と呼ばれる半同期PFLアルゴリズムを提案する。 我々は、グローバルラウンド当たりの参加者数とラウンド数の観点から、PerFedS2の収束率の上限を導出する。 PerFedS2はトレーニング時間を節約し、トレーニング損失の収束を保証する。
  論文  参考訳（メタデータ） (2022-09-27T02:12:43Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Deep Reinforcement Learning for Resource Constrained Multiclass Scheduling in Wireless Networks [0.0]
  セットアップでは、ランダムに到着するサービス要求に対応するために、利用可能な限られた帯域幅のリソースを割り当てます。 本稿では,Deep Setsと組み合わせた分布型Deep Deterministic Policy Gradient (DDPG)アルゴリズムを提案する。 提案アルゴリズムは, 合成データと実データの両方で検証し, 従来手法に対する一貫した利得を示す。
  論文  参考訳（メタデータ） (2020-11-27T09:49:38Z)
• Sliding Differential Evolution Scheduling for Federated Learning in Bandwidth-Limited Networks [23.361422744588978]
  省エネユーザ機器(UE)を用いた帯域幅制限ネットワークにおけるフェデレーション学習(FL)について検討する。 本稿では,電力制限されたUEが消費するエネルギーを節約し,帯域幅制限ネットワークに対するFLにおけるグローバルモデルの収束を加速する,スライディング微分進化型スケジューリング(SDES)ポリシーを提案する。
  論文  参考訳（メタデータ） (2020-10-18T14:08:24Z)
• Joint Device Scheduling and Resource Allocation for Latency Constrained Wireless Federated Learning [26.813145949399427]
  FL(Federated Learning)では、デバイスがローカルモデルの更新を無線チャネル経由でアップロードする。 モデル精度を最大化するために,共同装置スケジューリングと資源配分ポリシーを提案する。 実験の結果,提案手法は最先端のスケジューリング方式よりも優れていた。
  論文  参考訳（メタデータ） (2020-07-14T16:46:47Z)
• Convergence of Update Aware Device Scheduling for Federated Learning at the Wireless Edge [84.55126371346452]
  遠隔パラメータサーバ(PS)の助けを借りて、ローカルデータセットを持つパワー制限デバイスが共同でジョイントモデルを訓練する無線エッジにおけるフェデレーション学習について研究する。 各ラウンドで送信するデバイスのサブセットを決定する新しいスケジューリングとリソース割り当てポリシーを設計する。 数値実験の結果,提案したスケジューリングポリシーは,チャネル条件と局所モデル更新の重要性の両方に基づいており,両者の指標のみに基づくスケジューリングポリシーよりも長期的性能がよいことがわかった。
  論文  参考訳（メタデータ） (2020-01-28T15:15:22Z)

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。