論文の概要: Partially-Observable Transmission Control for UAV-Enabled Federated Learning in IoT Networks

• arxiv url: http://arxiv.org/abs/2608.00855v1
• Date: Sat, 01 Aug 2026 20:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.958295
• Title: Partially-Observable Transmission Control for UAV-Enabled Federated Learning in IoT Networks
• Title（参考訳）: IoTネットワークにおけるUAV型フェデレーション学習のための部分観測可能伝送制御
• Abstract要約: 無人航空機(UAV)対応の連邦学習(FL)は、大規模なIoTデプロイメントに柔軟でオンデマンドなエッジインテリジェンスを提供する。 共有されたアンライセンスバンドで運用することで、アップリンク更新のデリバリが干渉的に結合され、信頼性が低下する。 バッファオーバーフロー,遅延違反,送信エラーをキャプチャするパケットレベルの伝送フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 2.16271346696239
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncrewed aerial vehicle (UAV)-enabled federated learning (FL) can provide flexible, on-demand edge intelligence for large-scale IoT deployments, but operating in shared unlicensed bands makes uplink update delivery interference-coupled and unreliable. In this paper, we develop a packet-level transmission framework that captures buffer overflow, delay violations, and transmission errors, and uses the resulting packet delivery ratio (PDR) to represent partial-update reception through a packetized, Bernoulli-masked FL aggregation process. We then formulate a fairness-consensus bilevel (FCB) optimization that jointly controls (i) transmission thresholds to maximize the average PDR while reaching consensus under partial observability and (ii) transmission powers to improve the worst PDR and enforce fairness across IoT learners. To solve this problem, we propose an alternating FCB optimizer composed of a consensus-based threshold controller (CTC), which drives the IoT learners toward a PDR-efficient consensus on transmission thresholds, and a fairness-based power controller (FPC), which updates transmission powers to improve the worst PDR and ensure fairness under the resulting consensus thresholds. Numerical results on CNN-based FL tasks show that the FCB optimizer improves FL aggregation and training performance by enhancing packet-level update delivery, consistently outperforming baseline transmission policies.
• Abstract（参考訳）: 無人航空機(UAV)対応のフェデレーション学習(FL)は、大規模なIoTデプロイメントに柔軟でオンデマンドなエッジインテリジェンスを提供するが、共有された未ライセンスのバンドで運用することで、アップリンク更新デリバリの干渉結合と信頼性を損なうことができる。 本稿では,バッファオーバーフロー,遅延違反,送信エラーをキャプチャするパケットレベル伝送フレームワークを開発し,パケット化されたBernolli-masked FLアグリゲーションプロセスを通じて,パケット配信率(PDR)を用いて部分更新受信を表現した。 次に、連立制御を行うフェアネス・コンセンサス・バイレベル最適化(FCB)を定式化する。 一 部分観測可能性及び合意に達しつつ平均的なPDRを最大化するための送信閾値 (II)最悪のPDRを改善し、IoT学習者間の公正性を強制する送信能力。 この問題を解決するため,コンセンサスベースの閾値制御器(CTC)と,送信電力を更新して最悪のPDRを改善し,結果のコンセンサスしきい値の下で公平性を確保するフェアネスベースの電力制御器(FPC)とからなる交互FCBオプティマイザを提案する。 CNNベースのFLタスクの数値結果から,FCBオプティマイザはFLアグリゲーションとトレーニング性能を改善し,パケットレベルの更新配信を向上し,ベースライン伝送ポリシーを一貫して上回ることを示す。

関連論文リスト

• Resilient Decentralized Wireless Federated Learning via Gradient Tracking with AdamW [41.35060510410376]
  本稿では,無線通信(WCom)ネットワーク上でのDecLの通信効率と耐障害性を示すQEF-GT-AdamWを提案する。 我々は,帯域幅,送信電力,空調制約,フェードチャネルがDecL性能に与える影響を明示的にモデル化し,圧縮・信頼性の低い無線通信において提案アルゴリズムの収束保証を確立する。
  論文  参考訳（メタデータ） (2026-08-26T08:46:46Z)
• Joint UAV Flight and Opportunistic Routing under Reinforcement Learning for Delay-Tolerant Networks [4.82972978331848]
  遅延耐性ネットワーク(DTN)は、疎接続下でのストアキャリアフォワード(SCF)通信を不可欠にしている。 間欠的な接触、有限バッファ、および制限されたメッセージ・ツー・ライブ(TTL)は、しばしばスパース・デリバリーと混雑を引き起こす。 本研究は,無人航空機(UAV)飛行における分散型機会ルーティングと制御可能な無人航空機の協調最適化について検討する。
  論文  参考訳（メタデータ） (2026-08-05T08:51:41Z)
• Convergence-Latency-Aware Adaptive Modulation and Resource Allocation in RIS-Assisted Wireless Federated Learning [36.8694764886586]
  無線ネットワーク上でのフェデレーション学習は、信頼性の低い無線伝送によるトレーニング遅延と劣化した収束に悩まされる。 本稿では、RIS支援ブロッキングリンク伝搬シナリオ下での無線FLシステムについて考察する。 アップロードした局所勾配に対するシンボル誤差の影響を特徴付けることにより、FL損失減衰に対するシンボル誤り率(SER)の影響を明らかにする収束関連上界を導出する。
  論文  参考訳（メタデータ） (2026-07-22T05:09:22Z)
• PASS-Enhanced MEC: Joint Optimization of Task Offloading and Uplink PASS Beamforming [67.78883135636657]
  ピンチアンテナシステム (PASS) によるモバイルエッジコンピューティング (MEC) アーキテクチャについて検討した。 PASSは、重要な経路損失と潜在的な信号遮断を効果的に軽減しつつ、短距離ライン・オブ・ライト(LoS)リンクを確立する。 ネットワーク遅延最小化問題を定式化し、アップリンクPASSビームフォーミングとタスクオフロードを共同で最適化する。
  論文  参考訳（メタデータ） (2025-10-27T03:04:46Z)
• Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
  チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。 提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
  論文  参考訳（メタデータ） (2025-09-16T08:48:44Z)
• Straggler-Resilient Federated Learning over A Hybrid Conventional and Pinching Antenna Network [13.50794408418408]
  無線ネットワーク対応学習(FL)におけるピンチアンテナの活用は、FLの一般的な「ストラグラー」問題を効果的に緩和することができる。 通信効率を大幅に向上させるために, 従来型ピンチアンテナネットワーク(HCPAN)を提案する。
  論文  参考訳（メタデータ） (2025-08-17T17:09:42Z)
• 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)
• 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)
• Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP [62.81300791178381]
  無線による分散エッジ学習のボトルネックは、コンピューティングから通信へと移行した。 DEL用の既存のTCPベースのデータネットワークスキームは、アプリケーションに依存しず、アプリケーション層要求に応じて調整を施さない。 DELのためのモデルベースと深部強化学習(DRL)に基づくMP TCPを組み合わせたハイブリッドマルチパスTCP(MP TCP)を開発した。
  論文  参考訳（メタデータ） (2022-11-03T09:08:30Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Quantized Federated Learning under Transmission Delay and Outage Constraints [30.892724364965005]
  フェデレートラーニング(Federated Learning)は、無線エッジ内の巨大なモバイルデバイスと協調して機械学習モデルをトレーニングする、実行可能な分散学習パラダイムである。 無線リソースが限られている実用的なシステムでは、多数のモデルパラメータの送信は量子化エラー(QE)と送信停止(TO)に必然的に悩まされる。 我々は,無線リソースと量子化ビットをクライアント間で共同で割り当て,QEを最小化するとともに,クライアントがTO確率を持つようにする,堅牢なFLスキームFedTOEを提案する。
  論文  参考訳（メタデータ） (2021-06-17T11:29:12Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)

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。