論文の概要: Designing Sustainable Federated Learning as a Service using Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2608.14359v1
• Date: Fri, 14 Aug 2026 15:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.411844
• Title: Designing Sustainable Federated Learning as a Service using Neural Architecture Search
• Title（参考訳）: ニューラルアーキテクチャサーチを用いた持続可能なフェデレーションラーニングをサービスとして設計する
• Abstract要約: 本稿では,持続可能な制約を満たすための持続可能なフェデレーション・アズ・ア・サービス(SFL)フレームワークを提案する。 本稿では,消費者のサステナビリティプロファイルを実現可能なアーキテクチャ領域に変換する,要求駆動型検索空間を提案する。 本研究では, 動的炭素条件下での候補アーキテクチャの評価を行うための, 消費者レベルの炭素実現可能性推定機構を開発する。
• 参考スコア（独自算出の注目度）: 2.452839095836699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The sustainability constraints of FLaaS consumers pose significant challenges to maintaining carbon-feasible federated training in FLaaS environments. These constraints often lead to infeasible consumer participation and unstable federated training under hard carbon constraints. We propose a Sustainable Federated Learning as a Service (SFLaaS), a carbon- constrained Neural Architecture Search (NAS) framework for heteroge- neous sustainable constraints. We introduce a requirement-driven search space that transforms consumer sustainability profiles into a feasible architecture region before federated execution. We develop a consumer-level carbon feasibility estimation mechanism to evaluate candidate architectures under dynamic carbon conditions. We propose a sustainable con- sumer scheduling strategy that adaptively selects feasible consumers and allocates local workloads to preserve consumer participation and statistical data coverage. An evolutionary search strategy jointly optimised for predictive performance, consumer feasibility, and participation coverage under hard carbon constraints. Experiments on real-world datasets and a simulated environment demonstrate the effectiveness of the proposed approach.
• Abstract（参考訳）: FLaaS消費者の持続可能性の制約は、FLaaS環境におけるカーボンフェーザブル・フェデレーション・トレーニングの維持に重大な課題をもたらす。 これらの制約は、しばしばハードカーボン制約下での消費者参加や不安定な連邦訓練につながる。 SFLaaS(Sustainable Federated Learning as a Service)は、炭素制約のあるニューラルアーキテクチャサーチ(NAS)フレームワークである。 本稿では,消費者のサステナビリティプロファイルをフェデレーション実行前に実現可能なアーキテクチャ領域に変換する,要求駆動型検索空間を提案する。 本研究では, 動的炭素条件下での候補アーキテクチャの評価を行うための, 消費者レベルの炭素実現可能性推定機構を開発する。 本稿では,消費者参加と統計的データカバレッジを維持するために,実用的なコンシューマを適応的に選択し,ローカルワークロードを割り当てる,持続可能なコンサマースケジューリング戦略を提案する。 炭素制約下での予測性能, 消費者実現可能性, 参加範囲を共同最適化した進化的探索手法について検討した。 実世界のデータセットとシミュレーション環境の実験により,提案手法の有効性が示された。

関連論文リスト

• Noise-aware Client Selection for carbon-efficient Federated Learning via Gradient Norm Thresholding [1.3585661787562995]
  我々は、炭素効率のフェデレート学習のための最先端クライアント選択戦略の上にモジュラーアプローチを導入する。 本手法は,ノイズの多いクライアントデータフィルタリングを組み込むことでロバスト性を高め,モデル性能と持続可能性の両方を改善した。
  論文  参考訳（メタデータ） (2026-03-04T15:43:48Z)
• GaiaFlow: Semantic-Guided Diffusion Tuning for Carbon-Frugal Search [11.74886368366703]
  提案するGaiaFlowは, セマンティック誘導拡散チューニングを動作させることにより, カーボンフルガル探索を容易にする革新的なフレームワークである。 本手法は,探索精度と環境保全のトレードオフを最適化するために,検索誘導ランゲヴィンダイナミクスの収束とハードウェアに依存しない性能モデリング戦略を編成する。
  論文  参考訳（メタデータ） (2026-02-17T08:35:11Z)
• Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
  最小コア(LC)概念に基づく配当フレームワークを提案する。 従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。 統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
  論文  参考訳（メタデータ） (2026-02-03T11:10:50Z)
• 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)
• Toward Sustainable Generative AI: A Scoping Review of Carbon Footprint and Environmental Impacts Across Training and Inference Stages [2.2758077237273846]
  生成AIは急速に普及し、社会的、経済的に重要な価値を生み出している。 大規模サービス運用において発生した累積的環境フットプリントは,比較的少なくなった。 本研究は,AIカーボンフットプリント評価における方法論と研究動向のスコーピングレビューを行う。
  論文  参考訳（メタデータ） (2025-11-21T11:59:34Z)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• Contrastive Self-Supervised Learning at the Edge: An Energy Perspective [47.71700347940481]
  我々は,SimCLR,MoCo,SimSiam,Barlow Twinsの4つのコントラスト学習フレームワークの評価を行った。 我々は,これらのCLフレームワークのエッジおよびフォグ展開の実現可能性に注目し,体系的なベンチマーク戦略を導入する。 この結果,SimCLRは計算コストの認識に反し,様々なデータ体制における省エネ効果を実証していることがわかった。
  論文  参考訳（メタデータ） (2025-10-09T15:57:44Z)
• GreenDFL: a Framework for Assessing the Sustainability of Decentralized Federated Learning Systems [13.15941655109666]
  Decentralized Federated Learning(DFL)は、集中的なデータやモデルアグリゲーションなしに協調的なモデルトレーニングを可能にする新興パラダイムである。 本研究の目的は、DFLシステムの持続可能性を評価するための総合的かつ運用的なフレームワークを開発することである。 提案したGreenDFLは、DFLシステムの持続可能性を評価するための包括的で実践的なアプローチを提供する。
  論文  参考訳（メタデータ） (2025-02-27T16:27:42Z)
• Holistic analysis on the sustainability of Federated Learning across AI product lifecycle [0.0]
  フェデレートラーニング(FL)というAIの分散的アプローチ Cross-Silo FLは、クライアントが生データではなくモデル更新を共有できるようにするため、プライバシが向上する。 モデルトレーニングのエネルギー消費とコストはクロスサイロ・フェデレート・ラーニングと同等である。 フェデレートラーニング。
  論文  参考訳（メタデータ） (2023-12-22T11:58:53Z)
• CAFE: Carbon-Aware Federated Learning in Geographically Distributed Data Centers [18.54380015603228]
  大規模人工知能(AI)モデルの訓練には、計算能力とエネルギーが要求されるため、炭素フットプリントが増加し、環境に悪影響を及ぼす可能性がある。 本稿は、地理的に分散した(地理的に分散した)データセンターでAIモデルをトレーニングする際の課題を考察し、学習性能と炭素フットプリントのバランスを強調する。 固定炭素フットプリント予算内でのトレーニングを最適化するために,CAFE(Carbon-Aware Federated Learning)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-06T23:59:22Z)
• Assessing the Sustainability and Trustworthiness of Federated Learning Models [2.348885562952625]
  この研究は、総合的に信頼できるフェデレーテッドラーニングの分類において、サステナビリティを個別の柱として導入する。 FL評価にサステナビリティを取り入れた実験は、環境に責任のある展開を支援する。
  論文  参考訳（メタデータ） (2023-10-31T13:14:43Z)
• Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
  Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。 Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。 レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
  論文  参考訳（メタデータ） (2023-07-19T01:05:33Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)

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。