論文の概要: Polar Code Based Federated Learning: Convergence Analysis and Resource Allocation
- arxiv url: http://arxiv.org/abs/2608.13961v1
- Date: Fri, 14 Aug 2026 05:10:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.286921
- Title: Polar Code Based Federated Learning: Convergence Analysis and Resource Allocation
- Title（参考訳）: 極性コードに基づくフェデレーションラーニング:収束解析と資源配分
- Abstract要約: フェデレートラーニング(FL)は、生データを共有せずに、分散デバイス間で協調的なモデルトレーニングを可能にする。
従来のネットワーク層処理は、チャネルをエラーフリーとして理想化するか、送信されたモデル更新に平等なエラー保護(EEP)を適用する。
有限ブロック長の極性符号の不等誤差保護(UEP)特性を利用するクロス層極性符号に基づくFLスキームを提案する。
- 参考スコア（独自算出の注目度）: 9.54681514886661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) enables collaborative model training across distributed devices without sharing raw data; however, it faces significant communication bottlenecks and channel impairments in practice. Conventional network layer treatments either idealize the channel as error free or apply equal error protection (EEP) to transmitted model updates, failing to account for the inherently unequal importance of quantization bits within a single local model. To address this limitation, we propose a cross layer polar code based FL scheme that leverages the unequal error protection (UEP) property of polar codes under finite block lengths. Specifically, the proposed design selectively protects more significant quantization bits, thereby mitigating the detrimental effects of channel noise. We further provide a rigorous convergence analysis of the proposed scheme, deriving an upper bound on the convergence gap, which we then jointly optimize over the number of quantization bits and the polar code block length across all training iterations. Experimental results demonstrate that both constant and variable block length configurations of our polar code based scheme consistently achieve substantial performance gains over uncoded and LDPC-based EEP benchmarks, with the advantage becoming increasingly pronounced as the channel quality deteriorating. These findings confirm the efficacy of our cross-layer design in enhancing FL robustness and efficiency under realistic channel conditions.
- Abstract（参考訳）: フェデレートラーニング(FL)は、生データを共有せずに、分散デバイス間で協調的なモデルトレーニングを可能にするが、実際には通信ボトルネックとチャネル障害に直面する。
従来のネットワーク層処理では、チャネルをエラーフリーとして理想化するか、送信されたモデル更新に等価なエラー保護(EEP)を適用するかのいずれかであり、単一のローカルモデルにおける量子化ビットの本質的に不平等な重要性を考慮していない。
この制限に対処するために、有限ブロック長の極符号の不等誤差保護(UEP)特性を利用するクロス層極符号に基づくFLスキームを提案する。
具体的には、より重要な量子化ビットを選択的に保護し、チャネルノイズによる有害な効果を緩和する。
さらに,提案手法の厳密な収束解析を行い,収束ギャップの上限を導出し,量子化ビット数と極符号ブロック長を同時に最適化する。
実験結果から、極性符号に基づくスキームの定数および可変ブロック長構成は、未符号化およびLDPCベースのEEPベンチマークよりも一定の性能向上を実現し、チャネル品質が劣化するにつれて、その優位性はますます顕著になることが示された。
これらの結果は,現実的なチャネル条件下でのFLロバスト性および効率性を高めるために,我々の層間設計の有効性を裏付けるものである。
関連論文リスト
- JSCGC: Joint Source-Channel-Generation Coding for Wireless Generative Communications [58.67925548779465]
Joint Source-Channel-Generation Coding (JSCGC) は、従来のデコーダをレシーバで生成モデルに置き換えるジェネレーティブ通信パラダイムである。
JSCGCは、様々なチャネル条件にまたがるフィーチャベース、セマンティックレベル、推論品質を一貫して改善する。
論文 参考訳（メタデータ） (2026-06-11T03:42:03Z) - Causal Autoregressive Diffusion Language Model [70.7353007255797]
CARDは厳密な因果注意マスク内の拡散過程を再構成し、単一の前方通過で密集した1対1の監視を可能にする。
我々の結果は,CARDが並列生成のレイテンシの利点を解放しつつ,ARMレベルのデータ効率を実現することを示す。
論文 参考訳（メタデータ） (2026-01-29T17:38:29Z) - A PAC-Bayesian Analysis of Channel-Induced Degradation in Edge Inference [22.97773242617207]
本稿では,チャネル統計を直接重み空間に組み込む拡張NNモデルを提案する。
我々は、無線歪みの影響を明示的に定量化するPAC-ベイズ一般化境界を導出する。
そこで本稿では, チャネル認識型学習アルゴリズムを提案し, 導出した境界値に基づいて代理対象を最小化する。
論文 参考訳（メタデータ） (2026-01-16T00:10:17Z) - Spectral Thresholds in Correlated Spiked Models and Fundamental Limits of Partial Least Squares [15.163541835643635]
本稿では,PLS(Partial Least Squares)が原理的に検出可能であるにもかかわらず,信号の回復に失敗したことを示す。
これらの結果はPLSの理論的限界を明らかにし、高次元の信頼性マルチモーダル推論手法の設計のためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-10-20T14:08:58Z) - Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。
提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
論文 参考訳（メタデータ） (2025-10-02T15:15:50Z) - Rateless Stochastic Coding for Delay-Constrained Semantic Communication [5.882972817816777]
我々は,無作為な観点からのセマンティック・コミュニケーションのためのジョイント・ソース・チャネル・コーディングの問題点を考察する。
本稿では,意味レベルの再構築目的を組み込むことで知覚距離を最小化する,より汎用的なコミュニケーション目的を提案する。
提案手法は, 歪みと知覚のトレードオフを良好に保ちながら, 伝送速度の可変化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-06-28T10:27:06Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - Learning Quantization in LDPC Decoders [14.37550972719183]
均一雑音の付加として量子化効果を模倣する浮動小数点代理モデルを提案する。
次に、深層学習に基づく手法を適用し、メッセージビット幅を最適化する。
平均メッセージ量子化ビット幅3.1ビットにおける浮動小数点復号の0.2dB以内の誤り率性能を報告する。
論文 参考訳（メタデータ） (2022-08-10T07:07:54Z) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z) - Capacity Optimality of OAMP in Coded Large Unitarily Invariant Systems [9.101719525164803]
本稿では、単位不変感センサ行列、任意の信号分布、前方誤り制御(FEC)符号化を含む単位不変システム(LUIS)について検討する。
最適化符号を用いたOAMPは、最適化されていない符号とよく知られたTurbo linear MMSEアルゴリズムよりも大幅に性能が向上していることを示す。
論文 参考訳（メタデータ） (2022-06-23T13:11:20Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - 1-Bit Compressive Sensing for Efficient Federated Learning Over the Air [32.14738452396869]
本稿では,1ビットセンシング(CS)をアナログアグリゲーション送信に組み込んだ,空気上の通信効率の高い学習手法を開発し,解析する。
スケーラブルコンピューティングでは,大規模ネットワークに適した効率的な実装を開発する。
シミュレーションの結果,提案した1ビットCSベースのFLは理想的な場合と同等の性能を示した。
論文 参考訳（メタデータ） (2021-03-30T03:50:31Z)
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。