論文の概要: OrchNAS: Orchestrated Neural Architecture Search Service for Personalised Federated Edge Intelligence

• arxiv url: http://arxiv.org/abs/2607.22805v1
• Date: Fri, 24 Jul 2026 16:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.883366
• Title: OrchNAS: Orchestrated Neural Architecture Search Service for Personalised Federated Edge Intelligence
• Title（参考訳）: OrchNAS: 個人化されたエッジインテリジェンスのためのニューラルネットワーク検索サービス
• Abstract要約: OrchNASは、エネルギーを意識した、個人化された、フェデレートされたエッジインテリジェンスフレームワークである。 システムは、サーバーサイドのNASサービスでアーキテクチャの検索プロセスを編成する。
• 参考スコア（独自算出の注目度）: 0.06999740786886537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose OrchNAS, an energy-aware, personalised, federated edge intelligence framework that leverages a Neural Architecture Search Service to automatically design service-adaptive models for heterogeneous edge environments. The framework orchestrates the architecture search process on a server-side NAS service, enabling edge services to derive personalised architectures under device-level energy, computation, and memory constraints. We introduce an energy-aware global architecture search mechanism that learns a compact global representation across heterogeneous services. We develop an energy-efficient architecture selection mechanism that enables each service to derive a personalised subnet that satisfies its resource constraints via a progressive, greedy, energy-aware pruning strategy. We propose an energy-efficient personalised model optimisation scheme that updates service-adaptive parameters while preserving global representations, where a primal-dual optimisation mechanism enforces strict energy budgets during architecture adaptation. Experiments on real-world and benchmark datasets demonstrate the effectiveness of the proposed approach.
• Abstract（参考訳）: 我々は、Neural Architecture Search Serviceを活用し、異種エッジ環境のためのサービス適応モデルを自動的に設計するエネルギー認識、パーソナライズ、フェデレーション付きエッジインテリジェンスフレームワークOrchNASを提案する。 このフレームワークは、サーバーサイドのNASサービス上でアーキテクチャ検索プロセスを編成し、エッジサービスがデバイスレベルのエネルギ、計算、メモリ制約の下でパーソナライズされたアーキテクチャを導出できるようにする。 異種サービス間のコンパクトなグローバル表現を学習する,エネルギーを意識したグローバルアーキテクチャ検索機構を導入する。 本研究では, 資源制約を満たすパーソナライズされたサブネットを, プログレッシブで欲望に満ちた, エネルギーを意識したプルーニング戦略により導出するエネルギー効率の高いアーキテクチャ選択機構を開発する。 本稿では,サービス適応パラメータの更新とグローバル表現の保存を行うエネルギー効率の高いパーソナライズドモデル最適化手法を提案する。 実世界のデータセットとベンチマークデータセットの実験は、提案手法の有効性を実証している。

関連論文リスト

• Universal Neural Architecture Space: Covering ConvNets, Transformers and Everything in Between [0.0]
  ニューラルネットワーク探索のための汎用検索空間Universal Neural Architecture Space (UniNAS)を紹介する。 我々のアプローチは、新しいアーキテクチャの発見と、既存のアーキテクチャを共通のフレームワークで分析することを可能にする。
  論文  参考訳（メタデータ） (2025-10-07T15:31:40Z)
• ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
  現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。 本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。 本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
  論文  参考訳（メタデータ） (2025-03-24T13:11:22Z)
• Neural Architecture Search for Speech Emotion Recognition [72.1966266171951]
  本稿では,SERモデルの自動構成にニューラルアーキテクチャサーチ(NAS)技術を適用することを提案する。 NASはモデルパラメータサイズを維持しながらSER性能(54.89%から56.28%)を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） (2022-03-31T10:16:10Z)
• An Intelligent End-to-End Neural Architecture Search Framework for Electricity Forecasting Model Development [4.940941112226529]
  本稿では、時系列電気予測モデルの開発のためのインテリジェント自動アーキテクチャサーチ(IAAS)フレームワークを提案する。 提案フレームワークは,ネットワーク機能保存変換操作,強化学習(RL)に基づくネットワーク変換制御,ネットワークスクリーニングの3つの主要コンポーネントを含む。 提案したIAASフレームワークは,精度と安定性の予測において,既存の10のモデルや手法を著しく上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-03-25T10:36:27Z)
• SPIDER: Searching Personalized Neural Architecture for Federated Learning [17.61748275091843]
  フェデレーション・ラーニング(FL)は、プライバシと規制上の制約により、データが集中型サーバと共有できない場合、機械学習を支援する。 FLの最近の進歩は、すべてのクライアントに対して事前定義されたアーキテクチャベースの学習を使用する。 我々は、フェデレート学習のためのパーソナライズされたニューラルアーキテクチャの検索を目的としたアルゴリズムフレームワークであるSPIDERを紹介する。
  論文  参考訳（メタデータ） (2021-12-27T23:42:15Z)
• Rethinking Architecture Selection in Differentiable NAS [74.61723678821049]
  微分可能なニューラルアーキテクチャ探索は、その探索効率と簡易性において最も人気のあるNAS手法の1つである。 本稿では,各操作がスーパーネットに与える影響を直接測定する摂動に基づくアーキテクチャ選択を提案する。 提案手法により,DARTSの故障モードを大幅に緩和できることがわかった。
  論文  参考訳（メタデータ） (2021-08-10T00:53:39Z)
• Dynamically Grown Generative Adversarial Networks [111.43128389995341]
  本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。 本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
  論文  参考訳（メタデータ） (2021-06-16T01:25:51Z)
• Interpretable Neural Architecture Search via Bayesian Optimisation with Weisfeiler-Lehman Kernels [17.945881805452288]
  現在のニューラルアーキテクチャサーチ(NAS)戦略は、単一の優れたアーキテクチャを見つけることに集中している。 そこで我々は,Weisfeiler-Lehmanグラフカーネルとガウス過程サロゲートを組み合わせたNASに対するベイズ最適化手法を提案する。 提案手法は,有用なネットワーク特徴とそれに伴うネットワーク性能への影響を発見することによって,解釈可能性を実現する。
  論文  参考訳（メタデータ） (2020-06-13T04:10:34Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。