論文の概要: Inverse Probability Weighting and Age-of-Information Aggregation for Decentralized Federated Learning under Partial Reception

• arxiv url: http://arxiv.org/abs/2606.10774v1
• Date: Tue, 09 Jun 2026 12:30:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.487448
• Title: Inverse Probability Weighting and Age-of-Information Aggregation for Decentralized Federated Learning under Partial Reception
• Title（参考訳）: 部分受容下での分権的フェデレーション学習における逆確率重み付けと情報収集の年齢
• Authors: Chanuka A. S. Hewa Kaluannakkage, Rajkumar Buyya,
• Abstract要約: 本研究では,逆確率重み付けとオンラインEWMAに基づくチャネル推定を組み合わせたDFL-AAを提案する。 理論的には、DFL-AAは期待されるリンク品質の歪みを排除し、様々な損失率、ネットワークサイズ、異種無線条件にまたがる最先端のベースラインに対する一貫した改善を実験的に示す。
• 参考スコア（独自算出の注目度）: 16.23840462167471
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decentralized Federated Learning (DFL) over lossy wireless networks faces two key challenges: selection bias, where updates from poor-quality links are systematically underrepresented due to partial model reception, and update staleness, where asynchronous nodes contribute outdated information. We show that uniform gossip aggregation with local-fill reconstruction introduces persistent link-quality-induced bias, while completeness-based weighting further amplifies this effect. To address these challenges, we propose DFL-AA (Decentralized Federated Learning with Adaptive AoI-weighted Aggregation), which combines Inverse Probability Weighting with online EWMA-based channel estimation to correct selection bias and Age-of-Information-based weighting to mitigate staleness without requiring global synchronization. We theoretically show that DFL-AA removes link-quality distortion in expectation and experimentally demonstrate consistent improvements over state-of-the-art baselines across varying loss rates, network sizes, and heterogeneous wireless conditions.
• Abstract（参考訳）: 損失の多い無線ネットワーク上での分散フェデレート学習(DFL)は、2つの大きな課題に直面している。選択バイアス、品質の悪いリンクからの更新は部分的なモデル受信によって体系的に過小評価される。 局所埋立再建に伴う一様ゴシップアグリゲーションは,リンク品質に起因したバイアスを持続的に引き起こし,完全度に基づく重み付けは,さらにこの効果を増幅することを示した。 これらの課題に対処するため,DFL-AA(Decentralized Federated Learning with Adaptive AoI-weighted Aggregation)を提案する。 理論的には、DFL-AAは期待されるリンク品質の歪みを排除し、様々な損失率、ネットワークサイズ、異種無線条件にまたがる最先端のベースラインに対する一貫した改善を実験的に示す。

関連論文リスト

• On the Push-Based Asynchronous Federated Learning: A Bias-Correction Aggregation Approach [2.4214594180459366]
  Asynchronous decentralized Federated Learning (ADFL) は、集中協調とグローバル同期を排除し、大規模および異種システムにとって魅力的である。 通信効率のよいADFLフレームワークであるPushCen-ADFLを提案する。 ビジョンデータセットの実験によると、PushCen-ADFLは、プッシュ間通信コストを80%以上削減しながら、データの均一性の下での精度を最大6%向上する。
  論文  参考訳（メタデータ） (2026-05-24T15:56:37Z)
• Resource-Element Energy Difference for Noncoherent Over-the-Air Federated Learning [5.14549984289357]
  オーバー・ザ・エア・フェデレーション・ラーニング(OTA-FL)は、波形重畳を利用したアップリンク遅延を低減する。 従来のアナログアグリゲーション方式は一般にチャネル状態情報(CSI)、チャネル反転、コヒーレント位相アライメントを必要とする。
  論文  参考訳（メタデータ） (2026-05-08T05:29:14Z)
• Asynchronous Probability Ensembling for Federated Disaster Detection [0.22870279047711528]
  本稿では,非同期確率アグリゲーションとフィードバック蒸留に基づく分散アンサンブルフレームワークを提案する。 交換単位をモデル重みからクラス確率ベクトルにシフトすることにより、データのプライバシを維持し、通信要求を桁違いに低減し、全体的な精度を向上させる。
  論文  参考訳（メタデータ） (2026-04-15T22:01:55Z)
• Decentralized Federated Learning Over Imperfect Communication Channels [68.08499874460857]
  本稿では、分散化フェデレーション学習(D-FL)における不完全なコミュニケーションチャネルの影響を解析する。 トレーニングラウンドあたりのローカルアグリゲーションの最適な数を決定し、ネットワークトポロジと不完全なチャネルに適応する。 D-FLは、最適数の局所的なアグリゲーションを持つため、トレーニング精度が10%以上向上する可能性がある。
  論文  参考訳（メタデータ） (2024-05-21T16:04:32Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• FedBIAD: Communication-Efficient and Accuracy-Guaranteed Federated Learning with Bayesian Inference-Based Adaptive Dropout [14.72932631655587]
  フェデレートラーニング(FL)は、エンドユーザーデータ伝送なしで分散機械学習パラダイムとして現れる。 FedBIADは、非独立およびIdentically Distributed(非IID)データであっても、最大2.41%の精度で2倍のアップリンク削減を提供する。
  論文  参考訳（メタデータ） (2023-07-14T05:51:04Z)
• Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks [56.91063444859008]
  Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。 FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。 年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-12-14T17:33:01Z)
• Time-triggered Federated Learning over Wireless Networks [48.389824560183776]
  無線ネットワーク上での時系列FLアルゴリズム(TT-Fed)を提案する。 提案したTT-Fedアルゴリズムは, それぞれ最大12.5%, 5%の収束試験精度を向上する。
  論文  参考訳（メタデータ） (2022-04-26T16:37:29Z)
• Towards Efficient and Stable K-Asynchronous Federated Learning with Unbounded Stale Gradients on Non-IID Data [10.299577499118548]
  フェデレートラーニング(FL)は、複数の参加者が生データをアップロードすることなくグローバルモデルをトレーニングできる、新たなプライバシ保護パラダイムである。 本稿では,適応学習率(WKAFL)を持つ2段重み付き非同期FLを提案する。 ベンチマークと合成FLデータセットの両方に実装された実験は、WKAFLが既存のアルゴリズムよりも全体的なパフォーマンスが優れていることを示している。
  論文  参考訳（メタデータ） (2022-03-02T16:17:23Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)

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。