論文の概要: Hierarchical Multi-Task Federated Learning in VANETs

• arxiv url: http://arxiv.org/abs/2608.08111v1
• Date: Sat, 08 Aug 2026 12:46:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.678911
• Title: Hierarchical Multi-Task Federated Learning in VANETs
• Title（参考訳）: VANETにおける階層型マルチタスクフェデレーション学習
• Abstract要約: Vehicular Adhoc Networks (VANETs) は、生の知覚データを共有せずに協調的な知性を実現するために、ますます連邦学習 (FL) に依存している。 本稿では,動的マルチホップクラスタ化VANETのための,オートエンコーダに基づく信頼性階層型マルチタスクフェデレーション学習フレームワークを提案する。 最大13%高い持続的EPCレベルの精度を実現し、より安定した学習ダイナミクスを示し、EPCレベルのパケット送信を約87-97%削減する。
• 参考スコア（独自算出の注目度）: 8.956048958779315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicular Ad hoc Networks (VANETs) increasingly rely on federated learning (FL) to enable collaborative intelligence without sharing raw sensory data. However, most existing vehicular FL frameworks assume that all vehicles train a single global model for a common task, which limits their applicability in practical vehicular environments where vehicles may perform heterogeneous learning tasks under non-independent and identically distributed (non-IID) data, intermittent connectivity, and high mobility. To address these challenges, this paper proposes an AutoEncoder-based Reliability-Optimized Hierarchical Multi-Task Federated Learning (AERO-HMTFL) framework for dynamic multi-hop clustered VANETs. The proposed framework introduces a tri-weighted clustering metric that jointly considers vehicular mobility, shared-model similarity, and task affinity to produce mobility-stable, semantically aligned clusters. Each vehicle employs a split-model architecture comprising a shared autoencoder-based representation module and multiple task-specific heads, with only the shared autoencoder parameters exchanged while the task heads remain local. To improve robustness, cluster heads perform reliability-aware aggregation based on historical validation performance and participation frequency, while the Evolved Packet Core (EPC) conducts global shared-autoencoder fusion across clusters. Extensive simulations demonstrate that, compared with the multi-task federated learning benchmarks, AERO-HMTFL achieves up to 13% higher sustained EPC-level accuracy, exhibits more stable learning dynamics, and reduces EPC-level packet transmissions by approximately 87-97%. Under short-range connectivity, it also requires approximately 13-29% fewer communication rounds to converge.
• Abstract（参考訳）: Vehicular Adhoc Networks (VANETs) は、生の知覚データを共有せずに協調的な知性を実現するために、ますます連邦学習 (FL) に依存している。 しかし、既存の車種FLフレームワークの多くは、全ての車両が共通のタスクのために単一のグローバルモデルを訓練し、非独立で同一に分散された(IID)データ、断続接続、高移動性の下で不均一な学習タスクを実行できる実用的な車種環境において、それらの適用性を制限していると仮定している。 これらの課題に対処するため,本稿では,動的マルチホップクラスタリングVANETのためのReliability-Optimized Hierarchical Multi-Task Federated Learning (AERO-HMTFL)フレームワークを提案する。 提案フレームワークでは,車体移動性,共有モデル類似性,タスク親和性を考慮した三重クラスタリングメトリクスを導入し,移動安定でセマンティックに整合したクラスタを生成する。 各車両は、共有オートエンコーダベースの表現モジュールと複数のタスク固有のヘッドで構成される分割モデルアーキテクチャを使用し、タスクヘッドがローカルのままである間に共有オートエンコーダパラメータのみを交換する。 堅牢性を改善するため、クラスタヘッドは、過去の検証性能と参加頻度に基づいて信頼性を意識したアグリゲーションを実行し、Evolved Packet Core(EPC)はクラスタ間でグローバルな共有オートエンコーダ融合を実行する。 AERO-HMTFLはマルチタスク・フェデレーション学習ベンチマークと比較して最大13%高い持続的EPCレベルの精度を実現し、より安定した学習ダイナミクスを示し、EPCレベルのパケット送信を約87～97%削減することを示した。 短距離接続では、収束するのに約13-29%の通信ラウンドが必要になる。

関連論文リスト

• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• FedDSR: Federated Deep Supervision and Regularization Towards Autonomous Driving [32.600054594223096]
  Federated Deep Supervision and Regularization (FedDSR) は、Federated ADシステムにマルチアクセス中間層監視と正規化を組み込んだパラダイムである。 FedDSRはmIoUが最大8.93%改善し、トレーニングラウンドが28.57%削減された。
  論文  参考訳（メタデータ） (2025-12-07T06:23:59Z)
• FLAD: Federated Learning for LLM-based Autonomous Driving in Vehicle-Edge-Cloud Networks [13.159277094011053]
  Federated Learning(FL)は、自動運転車が生データを共有せずに、協力的にモデルを訓練できるようにすることを約束している。 We present Federated LLM-based Autonomous Driving (FLAD) a FL framework that leverageing distributed multimodal sensory data across AVs in heterogeneous environment。 FLAD には,(1) 通信遅延を低減し,データのプライバシを保護するクラウドエッジ車両協調アーキテクチャ,(2) 訓練効率を最適化する通信スケジューリング機構を用いたインテリジェント並列協調トレーニング,(3) 異種エッジデータに基づいて LLM をパーソナライズする知識蒸留手法,の3つの革新がある。
  論文  参考訳（メタデータ） (2025-11-12T06:25:13Z)
• NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
  NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。 NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。 さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
  論文  参考訳（メタデータ） (2025-10-15T16:25:18Z)
• TEM^3-Learning: Time-Efficient Multimodal Multi-Task Learning for Advanced Assistive Driving [22.22943635900334]
  TEM3-Learningは、ドライバーの感情認識、運転者行動認識、交通状況認識、車両行動認識を共同で最適化する新しいフレームワークである。 4つのタスクにまたがって最先端の精度を実現し、600万パラメータ未満の軽量アーキテクチャを維持し、142.32 FPSの推論速度を実現している。
  論文  参考訳（メタデータ） (2025-06-22T16:12:27Z)
• Data-Driven Object Tracking: Integrating Modular Neural Networks into a Kalman Framework [2.1369549137353805]
  マルチオブジェクト追跡(MOT)における重要な課題に対処する3つのニューラルネットワーク(NN)モデルを導入する。 3つのネットワークはすべて、リアルタイムで組み込み環境で動作するように設計されている。 公的なKITTI追跡データセットを用いて評価を行った結果,追跡性能が大幅に向上したことが示された。
  論文  参考訳（メタデータ） (2025-04-03T12:13:38Z)
• HEART: Achieving Timely Multi-Model Training for Vehicle-Edge-Cloud-Integrated Hierarchical Federated Learning [30.75025062952915]
  AI対応のIoT of Vehicles(IoV)の急速な成長は、効率的な機械学習(ML)ソリューションを求めている。 車両はしばしば複数のMLタスクを同時に実行する必要がある。 本稿では,グローバルトレーニング遅延の最小化を目的とした動的VEC-HFLにおけるマルチモデルトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-17T03:15:03Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)

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。