論文の概要: QSplitFL: Capability Aware Deep Q-Learning for Optimal Split Point Selection in Split Federated Learning

• arxiv url: http://arxiv.org/abs/2606.09869v1
• Date: Mon, 01 Jun 2026 03:46:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:57.977651
• Title: QSplitFL: Capability Aware Deep Q-Learning for Optimal Split Point Selection in Split Federated Learning
• Title（参考訳）: QSplitFL: 分散学習における最適分割点選択のための深層Q-Learning
• Authors: Nazmus Shakib Shadin, Xinyue Zhang, Jingyi Wang, Miao Pan,
• Abstract要約: 本稿では、分散学習に基づくフェデレート学習(SFL)環境において、最適な分割点選択のための機能対応のディープQネットワーク(DQN)フレームワークであるQSplitFLを紹介する。 提案フレームワークは,早期収束を優先する損失損失補償機能と,ハッキングに対して多数票を投じた委員会ベースのDQNアーキテクチャを備える。
• 参考スコア（独自算出の注目度）: 10.563670459246671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) combined with Split Learning (SL) is a privacy preserving paradigm that enables training deep neural networks (DNNs) on resource constrained devices while reducing overall training cost. However, determining the optimal split point, meaning the layer where the model is divided still remains a critical challenge, especially when clients have heterogeneous hardware capabilities. Fixed split points can overload weak devices and increase the communication and server load, which slows convergence and reduces stability. This paper introduces QSplitFL, a novel capability-aware Deep Q-Network (DQN) framework for optimal split point selection in Split learning based Federated Learning (SFL) environments. Unlike existing approaches that rely on high-dimensional model weight representations, QSplitFL employs a lightweight state representation derived directly from client hardware metrics, including CPU utilization, memory, battery level, and network latency. The proposed framework incorporates a decayed loss-drop reward function that prioritizes early convergence, and a committee-based DQN architecture with majority voting to mitigate reward hacking. Extensive experiments on MNIST, Fashion-MNIST, CIFAR-10, and CIFAR-100 datasets using CNN, ResNet50, MobileNetV4, and ConvNeXt architectures demonstrate that our approach achieves better convergence and higher accuracy compared to existing methods, while effectively adapting to heterogeneous device resources. The source code is publicly available at https://github.com/AIPO-Lab/QSplitFL.
• Abstract（参考訳）: フェデレートラーニング(FL)とスプリットラーニング(SL)を組み合わせることで、リソース制約されたデバイス上でディープニューラルネットワーク(DNN)をトレーニングし、全体的なトレーニングコストを削減できるプライバシー保護パラダイムである。 しかし、最適な分割点を決定することは、特にクライアントが不均一なハードウェア機能を持つ場合、モデルが分割される層は依然として重要な課題である。 固定分割ポイントは、弱いデバイスをオーバーロードし、通信とサーバの負荷を増大させ、収束を遅くし、安定性を低下させる。 本稿では、分散学習に基づくフェデレート学習(SFL)環境において、最適な分割点選択のための新しい機能対応Deep Q-Network(DQN)フレームワークであるQSplitFLを紹介する。 高次元モデルウェイト表現に依存する既存のアプローチとは異なり、QSplitFLはCPU利用率、メモリ、バッテリレベル、ネットワーク遅延といったクライアントハードウェアメトリクスから直接派生した軽量な状態表現を採用している。 提案フレームワークは,早期収束を優先する損失ドロップ報酬関数と,報酬ハッキングを緩和するために多数決を行う委員会ベースのDQNアーキテクチャを組み込んだ。 CNN, ResNet50, MobileNetV4, ConvNeXtアーキテクチャを用いたMNIST, Fashion-MNIST, CIFAR-10, CIFAR-100データセットの大規模な実験により, 本手法が既存手法よりも収束性, 精度を向上し, 異種機器資源に効果的に適用できることが実証された。 ソースコードはhttps://github.com/AIPO-Lab/QSplitFL.comで公開されている。

関連論文リスト

• Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
  Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。 単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。 本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
  論文  参考訳（メタデータ） (2024-02-28T03:27:10Z)
• Accelerating Split Federated Learning over Wireless Communication Networks [17.97006656280742]
  我々は、連立学習(FL)の並列モデル学習機構と分割学習(SL)のモデル分割構造を組み合わせた分割学習(SFL)フレームワークを検討する。 システム遅延を最小限に抑えるために,分割点選択と帯域割り当ての連立問題を定式化する。 実験の結果,レイテンシ低減と精度向上における作業の優位性を実証した。
  論文  参考訳（メタデータ） (2023-10-24T07:49:56Z)
• Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
  Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。 本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。 提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
  論文  参考訳（メタデータ） (2023-05-15T22:04:49Z)
• 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)
• CoCoFL: Communication- and Computation-Aware Federated Learning via Partial NN Freezing and Quantization [3.219812767529503]
  我々は,すべてのデバイス上でNN構造を完全に維持する新しいFL手法であるCoCoFLを提案する。 CoCoFLはデバイス上の利用可能なリソースを効率的に利用し、制約されたデバイスがFLシステムに多大な貢献をすることができる。
  論文  参考訳（メタデータ） (2022-03-10T16:45:05Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)

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。