論文の概要: Asynchronous Decentralized Federated Learning over Lossy Wireless Links via Reception- and Age-Aware Aggregation

• arxiv url: http://arxiv.org/abs/2606.10774v2
• Date: Tue, 16 Jun 2026 01:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 15:01:46.522789
• Title: Asynchronous Decentralized Federated Learning over Lossy Wireless Links via Reception- and Age-Aware Aggregation
• Title（参考訳）: レセプション・アンド・エイジ・アウェア・アグリゲーションによるロシー無線リンク上の非同期分散フェデレーション学習
• Authors: Chanuka A. S. Hewa Kaluannakkage, Rajkumar Buyya,
• Abstract要約: 分散フェデレート学習は、無線エッジノード間の協調モデルトレーニングを可能にする。 Inverse Probability Weighting を用いて選択バイアスを補正する DFL-AA を提案する。 我々はDFL-AAが期待するリンク品質の歪みを排除し、常に最先端のベースラインを上回ることを証明した。
• 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) enables collaborative model training across wireless edge nodes, including IoT deployments, autonomous vehicles, UAV swarms, and satellite constellations. Operating over lossy wireless links under constraints, these systems cannot rely on retransmissions, so model parameters must be accepted as partial chunks, leading to two key failure modes, which are selection bias, where poor-quality links are systematically under-represented in gossip aggregation, and update staleness, where asynchronous nodes contribute outdated models. We prove that classical gossip aggregation introduces irreducible selection bias proportional to the link-loss rate. We propose DFL-AA (Decentralized Federated Learning with Adaptive AoI-weighted Aggregation), which corrects selection bias using Inverse Probability Weighting (IPW) with online channel estimation and mitigates staleness via Age-of-Information (AoI) decay without requiring a global clock. We prove that DFL-AA removes link-quality distortion in expectation and consistently outperforms state-of-the-art baselines across varying loss rates and heterogeneous channel conditions on fixed directed topologies.
• Abstract（参考訳）: Decentralized Federated Learning(DFL)は、IoTデプロイメント、自動運転車、UAVスワム、衛星コンステレーションを含む、無線エッジノード間の協調的なモデルトレーニングを可能にする。 制約下での損失の多い無線リンクを運用する場合、これらのシステムは再送信に頼ることができないため、モデルパラメータは部分的なチャンクとして受け入れる必要があり、選択バイアスである2つの重要な障害モードに繋がる。 古典的なゴシップアグリゲーションはリンクロス率に比例した既約選択バイアスをもたらすことを証明した。 DFL-AA(Decentralized Federated Learning with Adaptive AoI-weighted Aggregation, DFL-AA)を提案する。 我々は,DFL-AAが期待するリンク品質の歪みを排除し,一定方向トポロジ上での損失率や不均一チャネル条件によって,最先端のベースラインを一貫して上回っていることを証明した。

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。