論文の概要: Hierarchical Federated Transfer Learning in Digital Twin-Based Vehicular Networks

• arxiv url: http://arxiv.org/abs/2608.11532v1
• Date: Wed, 12 Aug 2026 00:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.408942
• Title: Hierarchical Federated Transfer Learning in Digital Twin-Based Vehicular Networks
• Title（参考訳）: ディジタル双極子ネットワークにおける階層的フェデレーション伝達学習
• Abstract要約: 本稿では、フェデレート・トランスファー・ラーニング(FTL)と車両の種類に関連する車両クラスタリングを組み合わせ、新しい階層型フェデレート・トランスファー・ラーニング(HFTL)を提案する。 さらに,グローバルモデルが悪意ある車両に影響されないよう,データ品質スコアに基づくメカニズムを開発した。
• 参考スコア（独自算出の注目度）: 2.7921512392669126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent research on the Digital Twin-based Vehicular Ad hoc Network(DT-VANET), Federated Learning (FL) has shown its ability to provide data privacy. However, Federated learning struggles to adequately train a global model when confronted with data heterogeneity and data sparsity among vehicles, which ensure suboptimal accuracy in making precise predictions for different vehicle types. To address these challenges, this paper combines Federated Transfer Learning (FTL) to conduct vehicle clustering related to types of vehicles and proposes a novel Hierarchical Federated Transfer Learning (HFTL). We construct a framework for DT-VANET, along with two algorithms designed for cloud server model updates and intra-cluster federated transfer learning, to improve the accuracy of the global model. In addition, we developed a data quality score-based mechanism to prevent the global model from being affected by malicious vehicles. Lastly, detailed experiments on real-world datasets are conducted, considering different performance metrics that verify the effectiveness and efficiency of our algorithm.
• Abstract（参考訳）: デジタルツインベースのVehicular Ad hoc Network(DT-VANET)に関する最近の研究で、フェデレートラーニング(FL)はデータのプライバシを提供する能力を示した。 しかし、フェデレーテッド・ラーニング(Federated Learning)は、車両間のデータ不均一性やデータの分散性に直面すると、グローバルモデルを適切にトレーニングすることに苦慮している。 これらの課題に対処するために、フェデレート・トランスファー・ラーニング(FTL)と車両の種類に関連する車両クラスタリングを組み合わせ、新しい階層型フェデレート・トランスファー・ラーニング(HFTL)を提案する。 我々は,クラウドサーバモデル更新とクラスタ内フェデレート転送学習のための2つのアルゴリズムとともに,DT-VANETのためのフレームワークを構築し,グローバルモデルの精度を向上させる。 さらに,グローバルモデルが悪意ある車両に影響されないよう,データ品質スコアに基づくメカニズムを開発した。 最後に、実世界のデータセットに関する詳細な実験を行い、アルゴリズムの有効性と効率を検証する様々なパフォーマンス指標について検討する。

関連論文リスト

• Distributed Federated Learning for Vehicular Network Security: Anomaly Detection Benefits and Multi-Domain Attack Threats [9.528549914782122]
  車両は、ワンホップの隣人間でモデルの更新を交換し、複数のホップ上でモデルを伝播することによって、ディープラーニングモデルを協調的にトレーニングする方法を示す。 我々はDFLのレジリエンスと、複数のドメインにおける攻撃、すなわち無線ジャミングとデータ中毒攻撃の訓練による脆弱性を調査する。
  論文  参考訳（メタデータ） (2025-05-29T17:41:02Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Towards a Transformer-Based Pre-trained Model for IoT Traffic Classification [0.6060461053918144]
  最先端の分類法はDeep Learningに基づいている。 実際の状況では、IoTトラフィックデータが不足しているため、モデルのパフォーマンスはそれほど良くない。 大規模なラベル付きトランスフォーマーベースのIoTトラフィックデータセット上で事前トレーニングされたIoTトラフィック分類変換器(ITCT)を提案する。 実験の結果、ITCTモデルは既存のモデルよりも大幅に優れ、全体的な精度は82%に達した。
  論文  参考訳（メタデータ） (2024-07-26T19:13:11Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Global Update Tracking: A Decentralized Learning Algorithm for Heterogeneous Data [14.386062807300666]
  本稿では,デバイス間のデータ分散の変化の影響を受けにくい分散学習アルゴリズムの設計に焦点をあてる。 我々は,分散学習における異種データの影響を,通信オーバーヘッドを伴わずに緩和することを目的とした,新たなトラッキングベース手法であるGUTを提案する。 提案手法は,既存手法と比較して1～6%の精度向上により,異種データの分散学習における最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-05-08T15:48:53Z)
• Enhanced Decentralized Federated Learning based on Consensus in Connected Vehicles [14.80476265018825]
  分散システムにおける機械学習(ML)モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。 我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
  論文  参考訳（メタデータ） (2022-09-22T01:21:23Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
  フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。 我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。 そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-20T04:55:18Z)
• CDKT-FL: Cross-Device Knowledge Transfer using Proxy Dataset in Federated Learning [27.84845136697669]
  我々は,グローバルモデルとローカルモデル間の知識伝達の程度を研究するために,新しい知識蒸留に基づくアプローチを開発する。 提案手法は局所モデルの大幅な高速化と高いパーソナライズ性能を実現する。
  論文  参考訳（メタデータ） (2022-04-04T14:49:19Z)
• Rethinking Architecture Design for Tackling Data Heterogeneity in Federated Learning [53.73083199055093]
  注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。 我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
  論文  参考訳（メタデータ） (2021-06-10T21:04:18Z)
• Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
  フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。 本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
  論文  参考訳（メタデータ） (2021-04-27T18:23:54Z)

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。