論文の概要: Federated Foundation Models over Vehicular Networks

• arxiv url: http://arxiv.org/abs/2606.06786v1
• Date: Fri, 05 Jun 2026 00:08:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.48804
• Title: Federated Foundation Models over Vehicular Networks
• Title（参考訳）: 車両ネットワーク上のフェデレーションモデル
• Authors: Kasra Borazjani, Fardis Nadimi, Payam Abdisarabshali, Owen Palinski, Allan Salihovic, Dinh Nguyen, Minghui Liwang, Seyyedali Hosseinalipour,
• Abstract要約: 我々は,マルチモーダル・マルチタスク・フェデレーション・ファンデーション・モデル(M3T FedFM)を車載ネットワークに統合することを目指している。 我々は、M3T FedFMの実用化に挑戦する車両環境に固有の重要な制約を特定する。 我々は、この新興分野の研究を円滑に促進し、刺激するための実装をリリースする。
• 参考スコア（独自算出の注目度）: 8.675197768875307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a forward-looking vision for integrating the emerging multi-modal multi-task federated foundation models (M3T FedFMs) into vehicular networks, with the goal of unifying the expressive power of multi-modal multi-task foundation models (M3T FMs) with the privacy-preserving and distributed learning capabilities of federated learning (FL). Given the largely underexplored nature of this research direction, we first introduce the fundamental training/fine-tuning principles of M3T FedFMs. We then discuss a range of their representative use cases in vehicular networks, illustrating the significant potential of M3T FedFMs to enable next-generation vehicular intelligence. Afterwards, we identify key constraints inherent to vehicular environments that challenge the practical deployment of M3T FedFMs, and articulate a set of forward-looking research directions to address these challenges. Furthermore, through a case study conducted on a real-world vehicular dataset (i.e., Waymo Open Dataset), we demonstrate the promise of M3T FedFMs for vehicular networks and release our implementation to facilitate reproducibility and stimulate research in this emerging area (repository: https://github.com/KasraBorazjani/vehicular-fedfm)
• Abstract（参考訳）: 本稿では,マルチモーダル・マルチタスク・ファンデーションモデル(M3T FedFMs)を車載ネットワークに統合し,多モーダル・マルチタスク・ファンデーションモデル(M3T FMs)の表現力と,フェデレート学習(FL)のプライバシ保存と分散学習能力とを両立することを目的とした,先進的なビジョンを提案する。 この研究の方向性のほとんど解明されていない性質を踏まえ、まずM3T FedFMの基本的訓練・微調整の原則を紹介する。 次に,車載ネットワークにおける代表的ユースケースについて論じ,次世代車載インテリジェンスを実現するため,M3T FedFMの有意義な可能性を示す。 その後、M3T FedFMの実践的展開に挑戦する車両環境に固有の重要な制約を特定し、これらの課題に対処するための先進的な研究方向のセットを明確にする。 さらに、実世界の車載データセット(Waymo Open Dataset)で実施されたケーススタディを通じて、車載ネットワークにおけるM3T FedFMsの可能性を実証し、再現性を促進し、この新興地域での研究を刺激するための実装をリリースする(リポジトリ:https://github.com/KasraBorazjani/vehicular-fedfm)。

関連論文リスト

• Synergies between Federated Foundation Models and Smart Power Grids [8.179321682277818]
  M3Tフェデレーションファンデーションモデル(FedFM)は、分散データソース間のスケーラブルでプライバシ保護されたモデルトレーニング/ファインチューニングを可能にする。 本稿では,これらのモデルを電力システム研究コミュニティに導入するための第一歩として取り上げる。
  論文  参考訳（メタデータ） (2025-09-20T02:00:07Z)
• Bringing Multi-Modal Multi-Task Federated Foundation Models to Education Domain: Prospects and Challenges [10.48403090763014]
  マルチモーダル・マルチタスク(M3T)基礎モデル(FM)は、人工知能の変換可能性を示している。 本稿では,M3T FMにフェデレーション学習(FL)を統合するパラダイムとして,教育用M3Tフェデレーション・ファンデーション・モデル(FedFM)を紹介する。 我々は,次世代の知的教育システムにおいて,M3T FedFMが3つの重要な柱を前進させる方法について概説する。
  論文  参考訳（メタデータ） (2025-09-09T17:31:42Z)
• Hierarchical Federated Foundation Models over Wireless Networks for Multi-Modal Multi-Task Intelligence: Integration of Edge Learning with D2D/P2P-Enabled Fog Learning Architectures [58.72593025539547]
  本稿では,階層型フェデレーション基礎モデル(HF-FM)を提案することで,M3T FFMの探索されていないバリエーションを明らかにする。 HF-FMはM3T FMのモジュール構造を戦略的に整列させ、モダリティエンコーダ、プロンプト、ME(Mixy-of-Experts)、アダプタ、タスクヘッドから構成される。 その可能性を実証するため,無線ネットワーク環境におけるHF-FMの試作と,HF-FMの開発のためのオープンソースコードのリリースを行った。
  論文  参考訳（メタデータ） (2025-09-03T20:23:19Z)
• Multi-Modal Multi-Task (M3T) Federated Foundation Models for Embodied AI: Potentials and Challenges for Edge Integration [19.990075206917904]
  組込みAIのためのマルチモーダル多タスクフェデレーションモデル(M3T-FFM)を導入する。 我々は、統合されたフレームワークの下で、具体化されたAIエコシステムにおけるM3T-FFMの重要なデプロイメント次元を収集する。 本稿では,M3T-FFMの試作実装について述べる。
  論文  参考訳（メタデータ） (2025-05-16T12:49:36Z)
• Delving into Multi-modal Multi-task Foundation Models for Road Scene Understanding: From Learning Paradigm Perspectives [56.2139730920855]
  本稿では,道路シーンに特化して設計されたMM-VUFMの系統解析について述べる。 本研究の目的は,タスク特化モデル,統合マルチモーダルモデル,統合マルチタスクモデル,基礎モデル推進技術など,共通プラクティスの包括的概要を提供することである。 我々は、クローズドループ駆動システム、解釈可能性、エンボディドドライブエージェント、世界モデルなど、重要な課題と今後のトレンドに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-02-05T12:47:09Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
  ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。 現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。 本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
  論文  参考訳（メタデータ） (2023-10-06T04:13:10Z)

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。