論文の概要: FL-MAESTRO: Multi-Agent LLM Orchestration for Resource-Constrained Federated Learning

• arxiv url: http://arxiv.org/abs/2608.20518v1
• Date: Thu, 20 Aug 2026 19:27:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.161102
• Title: FL-MAESTRO: Multi-Agent LLM Orchestration for Resource-Constrained Federated Learning
• Title（参考訳）: FL-MAESTRO:資源制約付きフェデレーション学習のためのマルチエージェントLLMオーケストレーション
• Abstract要約: フェデレートラーニング(FL)では、コミュニケーショントポロジは固定設計の選択ではなく、実行時変数である。 本稿では,3つのLDMエージェントを介して,共同実行時FLを直接決定するマルチエージェントオーケストレータFL-MAESTROを提案する。 コーディネータは分析結果を1つの決定にまとめ、非LLM実行可能性チェックはラウンド実行前に確認する。
• 参考スコア（独自算出の注目度）: 48.01654166701974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Federated Learning (FL), the communication topology is a runtime variable rather than a fixed design choice, since links and edge devices drop in and out during training. Each round, the server must commit three coupled decisions, namely the communication topology, per-client resource allocation, and the aggregation rule for combining local updates. Recent agentic systems have begun bringing large language models (LLM) into FL, but the existing line of work either operates at setup time or handles a single runtime dimension such as client selection. We propose FL-MAESTRO, a multi-agent orchestrator that makes the joint runtime FL decision directly through three specialist LLM agents, one per decision dimension. A coordinator combines their analyses into a single decision, and a non-LLM feasibility check confirms it before the round executes. Because the orchestrator consumes the server's predicted-failure list, it withholds clients whose updates would never be aggregated, which removes the dominant source of wasted round energy in classical FL on volatile edge networks. Because client state is read as natural-text profiles, the same orchestrator extends to heterogeneous device classes without per-class energy models. On a non-IID CIFAR-10 benchmark, FL-MAESTRO matches the accuracy of the strongest energy-aware baseline while cutting wasted round energy from over a third to near zero. Code is available at https://github.com/denoslab/FL-MAESTRO.
• Abstract（参考訳）: フェデレートラーニング(FL)では、通信トポロジは、トレーニング中にリンクとエッジデバイスが入退するので、固定設計の選択ではなく、実行時変数である。 各ラウンドでサーバは,通信トポロジ,クライアント毎のリソース割り当て,ローカル更新の組み合わせに関する集約ルールという,3つの複合的な決定をコミットしなければならない。 最近のエージェントシステムは、大きな言語モデル(LLM)をFLに持ち込み始めているが、既存の作業行はセットアップ時に動作するか、クライアントの選択のような単一の実行時次元を処理する。 そこで本稿では,FL-MAESTROというマルチエージェントオーケストレータを提案する。 コーディネータは分析結果を1つの決定にまとめ、非LLM実行可能性チェックはラウンドの実行前に確認する。 オーケストレータはサーバの予測障害リストを消費するため、更新が決して集約されないクライアントを無視する。 クライアント状態は自然なテキストプロファイルとして読み込まれるため、同じオーケストレータはクラスごとのエネルギーモデルなしで異質なデバイスクラスに拡張される。 非IID CIFAR-10 ベンチマークでは、FL-MAESTRO は3分の1以上から0付近まで無駄な丸いエネルギーを切断しながら、最強のエネルギー認識ベースラインの精度と一致している。 コードはhttps://github.com/denoslab/FL-MAESTROで公開されている。

関連論文リスト

• UnifyFL: Enabling Decentralized Cross-Silo Federated Learning [0.0]
  We developed a trust-based cross-silo Federated Learning framework called UnifyFL。 多様なテストベッドを用いた評価の結果,UnifyFLは理想的なマルチレベル集中型FLに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2025-04-26T13:15:40Z)
• SpaFL: Communication-Efficient Federated Learning with Sparse Models and Low computational Overhead [75.87007729801304]
  SpaFL: 計算オーバーヘッドの少ないスパースモデル構造を最適化する通信効率のよいFLフレームワークを提案する。 プルーニングプロセス自体を最適化するためには、パラメータの代わりにサーバとクライアントの間でしきい値だけが通信される。 グローバルしきい値は、集約されたパラメータの重要度を抽出することで、モデルパラメータの更新に使用される。
  論文  参考訳（メタデータ） (2024-06-01T13:10:35Z)
• Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
  Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。 単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。 本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
  論文  参考訳（メタデータ） (2024-02-28T03:27:10Z)
• Venn: Resource Management for Collaborative Learning Jobs [24.596584073531886]
  コラボレーション学習(CL)は、機械学習(ML)と分散エッジデバイス間のデータサイエンスのための有望なアプローチとして登場した。 本稿では,複数のCLジョブ間で異種デバイスを効率的にスケジュールするCLリソースマネージャであるVennを紹介する。 評価の結果,最先端のCLリソースマネージャと比較して,Vennは平均JCTを最大1.88倍改善した。
  論文  参考訳（メタデータ） (2023-12-13T17:13:08Z)
• Joint Age-based Client Selection and Resource Allocation for Communication-Efficient Federated Learning over NOMA Networks [8.030674576024952]
  FL(Federated Learning)では、分散クライアントは、自身のトレーニングデータをローカルに保持しながら、共有グローバルモデルを共同でトレーニングすることができる。 本稿では,非直交多重アクセス(NOMA)を利用した無線ネットワーク上でのFLにおける各ラウンドの総時間消費を最小化することを目的とした,クライアント選択とリソース割り当ての協調最適化問題を定式化する。 さらに、各ラウンドで選択されていないクライアントのFLモデルを予測し、FL性能をさらに向上するために、サーバサイド人工知能ニューラルネットワーク(ANN)を提案する。
  論文  参考訳（メタデータ） (2023-04-18T13:58:16Z)
• Client Selection for Generalization in Accelerated Federated Learning: A Multi-Armed Bandit Approach [20.300740276237523]
  フェデレート・ラーニング(Federated Learning, FL)は、ローカルデータセットを保持する複数のノード(すなわちクライアント)にわたるモデルをトレーニングするために使用される機械学習(ML)パラダイムである。 FL(Bandit Scheduling for FL)と呼ばれる,この目標を達成するための新しいアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-03-18T09:45:58Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• Confederated Learning: Federated Learning with Decentralized Edge Servers [42.766372620288585]
  Federated Learning(FL)は、中央サーバでデータを集約することなく、モデルトレーニングを達成可能な、新興の機械学習パラダイムである。 本稿では,各サーバが個々のデバイスに接続されたConFederated Learning(CFL)フレームワークを提案する。 提案アルゴリズムはランダムなスケジューリングポリシを用いて,各イテレーションで各サーバにアクセスするデバイスサブセットをランダムに選択する。
  論文  参考訳（メタデータ） (2022-05-30T07:56:58Z)
• STEM: A Stochastic Two-Sided Momentum Algorithm Achieving Near-Optimal Sample and Communication Complexities for Federated Learning [58.6792963686231]
  フェデレートラーニング(FL)とは、複数のワーカノード(WN)がローカルデータを用いてジョイントモデルを構築するパラダイムを指す。 WNの最小更新方向、最初のミニバッチサイズ、ローカル更新頻度をどうやって選択するかは明らかになっていない。 局所的な更新頻度と局所的なミニサイズとの間にはトレードオフ曲線があることを示し、上記の複雑さを維持できることを示す。
  論文  参考訳（メタデータ） (2021-06-19T06:13:45Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)

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。