論文の概要: Adaptive Joint Compression and Synchronisation in Federated Split Learning for IoT Rainfall Prediction

• arxiv url: http://arxiv.org/abs/2606.25003v1
• Date: Tue, 23 Jun 2026 16:51:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.089867
• Title: Adaptive Joint Compression and Synchronisation in Federated Split Learning for IoT Rainfall Prediction
• Title（参考訳）: IoT降雨予測のためのフェデレーションスプリット学習における適応的関節圧縮と同期
• Authors: Wenjie Ding, Yi Sin Lin, Jiale Liu, Baoyi Liu, Guanghua Liu, Zhuolu Li, Suleiman Sabo, Chuadhry Mujeeb Ahmed, Aydin Abadi, Rehmat Ullah, Rajiv Ranjan,
• Abstract要約: 本稿では,アクティベーション圧縮と同期間隔rhoを協調的に制御するIoT降雨予測のためのFSLフレームワークを提案する。 このシステムは、11の気象観測所から17のシナリオシミュレーションマトリックスと4つのシナリオRaspberry Piを実際の広域リンク上に配置することで、時間ごとのERA5データに基づいて評価される。 Piでは、選択されたエンドポイントは、アクティベーションアップロードペイロードの87%の削減と、float32ベースラインに対する同期トラフィックの54%の削減を達成すると同時に、ランタイムジッタを+/-688 sから+/-10 sに削減する。
• 参考スコア（独自算出の注目度）: 14.045155025092777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated split learning (FSL) enables collaborative training across bandwidth-constrained IoT devices, but repeated activation and gradient exchange creates a communication bot-tleneck. Prior work optimises either activation compression or synchronisation frequency in isolation. This paper presents an FSL framework for IoT rainfall prediction that jointly regulates activation compression and the synchronisation interval \r{ho} via a latency driven scheduler on a server with per client EMA smoothing. The system is evaluated on hourly ERA5 data from 11 weather stations through a 17 scenario simulation matrix and a four scenario Raspberry Pi deployment over a real wide-area link. The simulation matrix validates scheduler switching across low, high, and mixed latency profiles, while the Pi deployment validates the high latency endpoint selected by the same policy. AUPRC varies only slightly across configurations (0.6381-0.6484 in simulation; within 0.011 on Pi), indicating that aggressive quantisation and sparser aggregation do not materially degrade predictive quality in this setting. On Pi, the selected endpoint (int8 with rho=3) achieves an 87% reduction in activation upload payload and a 54% reduction in synchronisation traffic relative to the float32 baseline, while reducing runtime jitter from +/-688 s to +/-10 s.
• Abstract（参考訳）: フェデレートスプリットラーニング(FSL)は、帯域制限のIoTデバイス間での協調トレーニングを可能にするが、繰り返しアクティベーションとグラデーションの交換は通信ボットトルネックを生成する。 以前の作業は、アクティベーション圧縮または同期周波数を分離して最適化する。 本稿では,各クライアントEMA平滑化を伴うサーバ上の遅延駆動スケジューラを介して,アクティベーション圧縮と同期間隔 \r{ho} を協調的に制御する,IoT降雨予測のためのFSLフレームワークを提案する。 このシステムは、11の気象観測所から17のシナリオシミュレーションマトリックスと4つのシナリオRaspberry Piを実際の広域リンク上に配置することで、時間ごとのERA5データに基づいて評価される。 シミュレーションマトリックスは、スケジューラの切り替えを低、高、混合レイテンシプロファイルで検証し、Piデプロイメントは、同じポリシで選択された高遅延エンドポイントを検証する。 AUPRCは構成によってわずかに異なる(シミュレーションでは0.6381-0.6484、Piでは0.011の範囲)。 Piでは、選択されたエンドポイント(int8 with rho=3)は、アクティベーションアップロードペイロードの87%の削減と、float32ベースラインに対する同期トラフィックの54%の削減を実現し、ランタイムジッタを+/-688 sから+/-10 sに削減する。

関連論文リスト

• Why Should the Server Do It All?: A Scalable, Versatile, and Model-Agnostic Framework for Server-Light DNN Inference over Massively Distributed Clients via Training-Free Intermediate Feature Compression [6.932768187544348]
  スプリットコンピューティングにおける通信負荷とサーバ負荷の両方を削減するためにIFを圧縮する、リトレーニングフリーでアーキテクチャに依存しないフレームワークであるSLICERを紹介した。 標準的なビジョンとLLMワークロード全体にわたって、SLICERはアップリンクボリュームを最大10倍、サーバGPU時間を最大4.4倍削減する。
  論文  参考訳（メタデータ） (2025-11-03T08:44:13Z)
• Q-Learning-Based Time-Critical Data Aggregation Scheduling in IoT [3.361625512902259]
  Internet of Things(IoT)ネットワークにおける時間クリティカルなデータアグリゲーションは、効率的で衝突のないスケジューリングを必要とする。 二相木構築とスケジューリングの伝統的な手法は、しばしば高い計算オーバーヘッドと最適以下の遅延に悩まされる。 本稿では,集約木の構築とスケジューリングを統一する新しいQラーニングフレームワークを提案し,拡張性のためのハッシュ状態を持つマルコフ決定プロセス(MDP)としてプロセスをモデル化する。
  論文  参考訳（メタデータ） (2025-10-29T15:46:21Z)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• FedSkipTwin: Digital-Twin-Guided Client Skipping for Communication-Efficient Federated Learning [2.209918162717035]
  コミュニケーションのオーバーヘッドは、連邦学習(FL)における主要なボトルネックである。 この研究は、軽量でサーバーサイドのデジタルツインによって駆動される新しいクライアントスキッピングアルゴリズムであるFedSkipTwinを紹介する。 UCI-HARおよびMNISTデータセットに対して,非IIDデータ分散下で10クライアントで実験を行った。
  論文  参考訳（メタデータ） (2025-07-18T03:39:08Z)
• Federated Split Learning with Only Positive Labels for resource-constrained IoT environment [4.055662817794178]
  分散コラボレーティブ機械学習(DCML)は、ディープラーニングモデルをトレーニングするためのIoT(Internet of Things)ドメインにおいて、有望な方法である。 分割学習 (SFL) は, デバイスが限られた計算能力を持つ場合に, 効率的な学習とテストに最も適している。 SFPLは、リソース制約のIoTデバイスが正のラベル付きデータしか持たない場合、SFLよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-25T05:33:06Z)
• 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)
• Completion Time Minimization of Fog-RAN-Assisted Federated Learning With Rate-Splitting Transmission [21.397106355171946]
  本研究は,複数のIoTデバイスが分散アクセスポイント(AP)を介してクラウドサーバ(CS)と通信することで,共有機械学習モデルを協調的に学習するフォグラジオアクセスネットワーク上でのフェデレーション学習を研究する。 APとCSを接続するフロントハウルリンクの容量が有限であると仮定して、分割アップリンクメッセージのハイブリッドエッジとクラウドデコードを可能にするIoTデバイス(ID)におけるレートスプリット伝送を提案する。 数値計算の結果,提案手法はエッジやクラウドデコーディングのみに依存するベンチマーク方式よりも顕著な利得が得られることがわかった。
  論文  参考訳（メタデータ） (2022-06-03T02:53:19Z)
• 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。