論文の概要: Channel-Adaptive Robust Aggregation for Over-the-Air Federated Learning in Heterogeneous Networks

• arxiv url: http://arxiv.org/abs/2607.04218v1
• Date: Sun, 05 Jul 2026 10:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.868958
• Title: Channel-Adaptive Robust Aggregation for Over-the-Air Federated Learning in Heterogeneous Networks
• Title（参考訳）: 不均一ネットワークにおける過空フェデレーション学習のためのチャネル適応ロバストアグリゲーション
• Abstract要約: 本稿では,チャネルダイナミクスとアプリケーション準備性に基づいてアグリゲーションを適応的にスケジュールするフレームワークCHARGE-FLを提案する。 以上の結果から,CHARGE-FLは最先端OTA-FL法よりも精度,安定性,収束性を著しく向上することがわかった。
• 参考スコア（独自算出の注目度）: 11.85706685141547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing demand for privacy-preserving, data-intensive applications such as IoT, augmented reality, and autonomous systems positions Federated Learning (FL) as a key enabler in 6G networks. Over-the-Air FL (OTA-FL) leverages the superposition property of the wireless multiple access channel for efficient aggregation via simultaneous transmissions. Existing methods rely on fixed aggregation schedules and do not jointly address noise, fading, and client heterogeneity. We propose CHARGE-FL (CHannel-Adaptive Robust agGrEgation), a framework that adaptively schedules aggregation based on channel dynamics and application readiness. By combining a tailored optimization strategy with a dual-purpose precoding mechanism, CHARGE-FL mitigates channel distortion and bias from partial updates, achieving superior accuracy, stability, and convergence under realistic wireless conditions. Empirical results under realistic wireless conditions show that CHARGE-FL significantly improves accuracy, stability, and convergence over state-of-the-art OTA-FL methods, particularly in straggler-prone and noisy scenarios.
• Abstract（参考訳）: プライバシ保護、IoT、拡張現実、自律システムといったデータ集約型アプリケーションに対する需要が高まっているため、フェデレートラーニング(FL)は6Gネットワークの重要な実現手段として位置づけられている。 OTA-FL(Over-the-Air FL)は、無線マルチアクセスチャネルの重ね合わせ特性を利用して、同時送信による効率的なアグリゲーションを実現する。 既存の方法は、固定されたアグリゲーションスケジュールに依存しており、ノイズ、フェージング、クライアントの不均一性に共同で対処しない。 本稿では,チャネルダイナミクスとアプリケーション準備性に基づいてアグリゲーションを適応的にスケジュールするフレームワークCHARGE-FLを提案する。 最適化戦略を2目的プリコーディング機構と組み合わせることで、CHARGE-FLはチャネル歪みと偏差を部分的更新から軽減し、現実的な無線条件下での精度、安定性、収束性を向上する。 現実的な無線条件下での実証実験の結果、CHARGE-FLは、特にストラグラーとノイズのシナリオにおいて、最先端のOTA-FL法よりも精度、安定性、収束性を著しく向上することが示された。

関連論文リスト

• Non-Coherent Over-the-Air Federated Learning: Protocol, Convergence, and Device Scheduling [32.15907297197385]
  単一アンテナMAC上の非コヒーレントAirFLプロトコル。 単一アンテナMAC上の非コヒーレントなAirFLプロトコルは、バイナリディザリング、非コヒーレントなエラーフィードバックを活用する。
  論文  参考訳（メタデータ） (2026-09-08T06:34:13Z)
• F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks [1.8096299558132636]
  F-ACVAEはFederated Adaptive Adaptive Conditional Variational Autoencoderフレームワークである。 生データを共有せずに、分散IoTデバイス間のコラボレーティブモデルトレーニングを可能にする。 F-ACVAEは平均精度とマクロF1スコアを99%低減し、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-07-06T05:58:20Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Optimal Batch-Size Control for Low-Latency Federated Learning with Device Heterogeneity [30.53961003855146]
  フェデレートラーニング(FL)は、第6世代(6G)ネットワークにおける協調機械学習の一般的なアプローチとして登場した。 FLアルゴリズムの展開は、自律運転、拡張現実、ヘルスケアなど、幅広いIoT(Internet-of-Things)アプリケーションを強化することが期待されている。 本稿では,収束性を確保しつつ,エンドツーエンド(E2E)学習遅延を最小限に抑える,バッチサイズ最適制御のための新しいC$2のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-21T13:24:38Z)
• Noise Resilient Over-The-Air Federated Learning In Heterogeneous Wireless Networks [2.2530496464901106]
  6G無線ネットワークでは、人工知能(AI)駆動のアプリケーションはフェデレートラーニング(FL)の採用を要求する。 従来のOTA-FL技術は、サーバにおけるAWGN(Additive White Gaussian Noise)と、エッジデバイスにおけるデータおよびシステム不均一性の両面から影響を受けている。 我々は,これらの課題に共同で取り組むために,新しいノイズ耐性オーバーザエアフェデレートラーニング(NoROTA-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-25T11:04:00Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Over-the-Air Federated Learning with Joint Adaptive Computation and Power Control [30.7130850260223]
  本稿では,オーバー・ザ・エア・コンピューティング・ラーニング(OTA-FL)について考察する。 OTA-FLは、無線媒体の重ね合わせ特性を利用して、空気上のアグリゲーションを無料で行う。
  論文  参考訳（メタデータ） (2022-05-12T03:28:03Z)
• Harnessing Wireless Channels for Scalable and Privacy-Preserving Federated Learning [56.94644428312295]
  無線接続は、フェデレートラーニング(FL)の実現に有効である Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。 A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。 これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
  論文  参考訳（メタデータ） (2020-07-03T16:31:15Z)

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。