論文の概要: An Informativeness-based Clustered Federated Learning Method for Reliable Traffic Prediction in Managed Wi-Fi Networks

• arxiv url: http://arxiv.org/abs/2607.26682v1
• Date: Wed, 29 Jul 2026 09:32:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.612513
• Title: An Informativeness-based Clustered Federated Learning Method for Reliable Traffic Prediction in Managed Wi-Fi Networks
• Title（参考訳）: インフォーマルネスに基づくクラスタ化フェデレーション学習による管理Wi-Fiネットワークの信頼性の高いトラフィック予測
• Abstract要約: 中央管理型のWi-Fiソリューションは、分散人工知能(AI)を活用して、アクセスポイント(AP)の重要な運用統計を予測し、ネットワークパフォーマンスを積極的に最適化している。 本稿では,2段階のクラスタリング処理を統合した新しいCFLツールを提案する。 提案手法は,Wi-Fiトラフィック予測問題に着目し,評価されたすべての分散戦略において,CFLツールが最高の予測性能を達成し,クラスタ化戦略において通信量とエネルギーフットプリントが最少であることを実証した。
• 参考スコア（独自算出の注目度）: 4.467034631947246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Centrally-managed Wi-Fi solutions are increasingly leveraging Distributed Artificial Intelligence (AI) to predict key operational statistics of Access Points (APs) and proactively optimize network performance. In this context, Clustered Federated Learning (CFL) represents a fitting methodology, enabling the generation of multiple AI models that account for diverse statistical properties of the APs data distribution. However, identifying informative clusters for grouping APs models remains a significant challenge. In this paper, we address this problem by proposing a novel CFL tool integrating a two step clustering procedure. Initially, multiple clustering solutions are generated and filtered based on a minimum set of desired clustering criteria. Subsequently, if no solutions meet sufficient quality metrics, a global model is produced by aggregating all AP models. Otherwise, the final clustering solution is selected as the one that maximizes the informativeness (quantified via differential entropy) for the smallest cluster. Our results, focusing on a Wi-Fi traffic prediction problem, demonstrate that the developed CFL tool achieves the best predictive performance among all evaluated distributed strategies and the lowest communication and energy footprint among the clustered ones, exceeding the cost of single-model FL only in the regimes where it markedly improves accuracy.
• Abstract（参考訳）: 中央管理型のWi-Fiソリューションは、分散人工知能(AI)を活用して、アクセスポイント(AP)の重要な運用統計を予測し、ネットワークパフォーマンスを積極的に最適化している。 この文脈では、クラスタ化フェデレートラーニング(CFL)は、APデータ分布の多様な統計特性を考慮に入れた複数のAIモデルの生成を可能にする、適合した方法論である。 しかし、APsモデルをグループ化するための情報的クラスタを特定することは大きな課題である。 本稿では,2ステップのクラスタリングを統合した新しいCFLツールを提案する。 最初は、複数のクラスタリングソリューションが生成され、望ましいクラスタリング基準の最小セットに基づいてフィルタリングされる。 その後、ソリューションが十分な品質の指標を満たさない場合、すべてのAPモデルを集約することでグローバルモデルが生成される。 さもなくば、最終クラスタリング解は、最小のクラスタに対する情報性(微分エントロピーによる量子化)を最大化するものとして選択される。 提案手法は,Wi-Fiトラヒック予測問題に着目し,評価されたすべての分散戦略の中で最高の予測性能を達成し,クラスタ化戦略において最も低い通信量とエネルギーフットプリントを実現し,単一モデルFLのコストをはるかに上回る結果となった。

関連論文リスト

• Towards Serverless Semi-Decentralized Federated Learning with Heterogeneous Optimizers [49.91939413642465]
  分散化連合学習(FL)におけるクラスタの形成、クラスタの数と構成について検討する。 永続的なサーバインフラストラクチャを必要としない手法として,サーバレス半分散FL(SSD-FL)を提案する。 SSD-FLは、グローバルラウンドをクラスタ内およびクラスタ間システムに分割し、グローバルコンセンサスとコンセンサスを確保する。
  論文  参考訳（メタデータ） (2026-06-04T20:05:18Z)
• Cluster-Specific Predictive Modeling: A Scalable Solution for Resource-Constrained Wi-Fi Controllers [4.467034631947246]
  本論文は、管理Wi-Fiネットワークにおける予測モデリング最適化の総合的解析について述べる。 この研究は、メモリと計算資源に制約された中央コントローラによって管理される大規模環境において予測アルゴリズムをデプロイする際の課題に対処する。
  論文  参考訳（メタデータ） (2026-03-23T10:21:45Z)
• Single-pass Possibilistic Clustering with Damped Window Footprints [0.19389881806157314]
  本稿では,新しいデータセットに適用し易い単一パス確率クラスタリング(SPC)アルゴリズムを提案する。 SPCはクラスタ純度と正規化相互情報に基づいて,他の5つのストリーミングクラスタリングアルゴリズムに対して検証を行う。
  論文  参考訳（メタデータ） (2026-03-06T21:17:51Z)
• 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)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• Client Contribution Normalization for Enhanced Federated Learning [4.726250115737579]
  スマートフォンやラップトップを含むモバイルデバイスは、分散化された異種データを生成する。 フェデレートラーニング(FL)は、データ共有のない分散デバイス間でグローバルモデルの協調トレーニングを可能にすることで、有望な代替手段を提供する。 本稿では、FLにおけるデータ依存的不均一性に着目し、局所的に訓練されたモデルから抽出された平均潜在表現を活用する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-10T04:03:09Z)
• 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)
• Exploiting Label Skews in Federated Learning with Model Concatenation [39.38427550571378]
  Federated Learning(FL)は、生データを交換することなく、さまざまなデータオーナでディープラーニングを実行するための、有望なソリューションとして登場した。 非IID型では、ラベルスキューは困難であり、画像分類やその他のタスクで一般的である。 我々は,これらの局所モデルをグローバルモデルの基礎として分解する,シンプルで効果的なアプローチであるFedConcatを提案する。
  論文  参考訳（メタデータ） (2023-12-11T10:44:52Z)
• Federated cINN Clustering for Accurate Clustered Federated Learning [33.72494731516968]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習に対する革新的なアプローチである。 本稿では,クライアントを複数のグループに頑健にクラスタリングするFederated cINN Clustering Algorithm (FCCA)を提案する。
  論文  参考訳（メタデータ） (2023-09-04T10:47:52Z)
• Reinforcement Federated Learning Method Based on Adaptive OPTICS Clustering [19.73560248813166]
  本稿では,フェデレート学習のための適応型OPTICSクラスタリングアルゴリズムを提案する。 クラスタリング環境をMarkov決定プロセスとして認識することで、OPTICSクラスタの最良のパラメータを見つけることがゴールです。 本手法の信頼性と実用性は, 実験データから検証され, 有効性と優越性が確認された。
  論文  参考訳（メタデータ） (2023-06-22T13:11:19Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)

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。