論文の概要: FedQoS: Federated QoS-Risk Learning for Heterogeneous Indoor-Outdoor Access Selection

• arxiv url: http://arxiv.org/abs/2608.25496v1
• Date: Wed, 26 Aug 2026 08:07:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.666776
• Title: FedQoS: Federated QoS-Risk Learning for Heterogeneous Indoor-Outdoor Access Selection
• Title（参考訳）: FedQoS: 異種屋外アクセス選択のためのQoS-Riskのフェデレーション
• Abstract要約: FedQoSは、将来の候補リンクの信頼性を予測するためのフェデレーションリスク学習フレームワークである。 各アクセスノードは、ラジオ、トラフィック、ロード、サービス機能を含む、観測されたネットワークログからローカルに学習する。 FedQoSは、より厳しい非IID条件の下で競争力を維持しながら、穏やかな非IIDデータの下で明確な信頼性の向上を達成する。
• 参考スコア（独自算出の注目度）: 39.02414844333342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable access selection in dynamic and heterogeneous indoor-outdoor environments is challenging because instantaneous radio measurements alone cannot capture future QoS degradation caused by mobility, blockage, traffic load, and resource competition. This paper proposes FedQoS, a federated QoS-risk learning framework for predicting the future reliability of candidate access links and supporting access-node selection without centralizing user-level network data. In FedQoS, each access node locally learns from its observed network logs, including radio, traffic, load, and service-context features, while a global QoS-risk predictor is trained through federated aggregation. The learned model estimates the probability of QoS failure for each candidate link, and the controller uses these risk scores to select reliable access nodes under dynamic network conditions. To evaluate the framework, we construct physics-based synthetic indoor-outdoor wireless datasets using the Sionna framework, covering normal traffic, mobility, event-driven congestion, and non-IID client observations. Simulation results show that learning-based access selection substantially reduces the QoS-failure rate compared with signal-based and historical-QoS heuristic methods. FedQoS achieves near-centralized predictive performance and provides clear reliability gains under mild non-IID data while remaining competitive under the more challenging severe non-IID condition. These results demonstrate the potential of federated QoS-risk learning for reliable, data-local access selection in dynamic wireless environments.
• Abstract（参考訳）: 移動性, 閉塞性, 交通負荷, 資源競争による将来のQoS劣化を即時測定だけでは捉えられないため, 動的で異種な屋内環境における信頼性の高いアクセス選択は困難である。 本稿では,ユーザレベルのネットワークデータを集中化せずに,候補アクセスリンクの今後の信頼性を予測し,アクセスノードの選択を支援するための,連合型QoSリスク学習フレームワークであるFedQoSを提案する。 FedQoSでは、各アクセスノードは、ラジオ、トラフィック、ロード、サービスコンテキスト機能を含む観測されたネットワークログからローカルに学習し、グローバルなQoSリスク予測器は、フェデレーションアグリゲーションを通じてトレーニングされる。 学習したモデルは、各候補リンクに対するQoS障害の確率を推定し、コントローラはこれらのリスクスコアを使用して、動的ネットワーク条件下で信頼性の高いアクセスノードを選択する。 このフレームワークを評価するために,Sionnaフレームワークを用いて物理ベースの屋内無線データセットを構築し,通常のトラフィック,モビリティ,イベント駆動の混雑,非IIDクライアント観測をカバーした。 シミュレーションの結果,学習に基づくアクセス選択は,信号ベースおよび履歴QoSヒューリスティック手法と比較してQoS障害率を大幅に低下させることがわかった。 FedQoSは、ほぼ中央集権的な予測性能を達成し、より厳しい厳密な非IID条件の下で競争力を維持しながら、穏やかな非IIDデータの下で明確な信頼性の向上を提供する。 これらの結果は、動的無線環境における信頼性の高いデータローカルアクセス選択のための連合QoSリスク学習の可能性を示している。

関連論文リスト

• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• 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)
• Federated Learning in the Wild: A Comparative Study for Cybersecurity under Non-IID and Unbalanced Settings [1.441946602098626]
  フェデレートラーニング(FL)は、複数のクライアントにわたるMLモデルの協調トレーニングを可能にする新しいパラダイムとして登場した。 本研究は、DDoS攻撃に対する侵入検知の文脈において、FL法を体系的に評価し、評価する。 我々の知る限りでは、現実的な非i.d.とアンバランスな設定下での侵入検出のためのFLアルゴリズムの比較分析はこれが初めてである。
  論文  参考訳（メタデータ） (2025-09-22T14:25:32Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• QSCL-EWIL: Quantum Stochastic Contrast Learning for Enhanced WiFi-Based Indoor Localization [27.646746600449614]
  WiFiベースの屋内ローカライゼーションは、資産追跡、医療監視、スマートな建物にとって不可欠である。 既存のシステムは、データのばらつき、環境騒音、床や建物のレベルを検出するのが難しいといった課題に直面している。 本稿では、厳密な理論的基礎に基づく新しいフレームワークである量子コントラスト学習(QSCL)を紹介する。
  論文  参考訳（メタデータ） (2025-01-06T09:54:16Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• DISTINQT: A Distributed Privacy Aware Learning Framework for QoS Prediction for Future Mobile and Wireless Networks [2.114401279266792]
  5Gと6G以上のネットワークは、あるレベルのQuality of Service(QoS)に依存してスムーズな運用を行う、新しくて挑戦的なユースケースとアプリケーションをサポートすることが期待されている。 タイムリーな方法での予測は、特に車両通信の場合のように、安全クリティカルな応用において非常に重要である。 DisTINQTは、予測のための新しいマルチヘッド入力対応分散学習フレームワークである。
  論文  参考訳（メタデータ） (2024-01-15T13:00:48Z)
• Reliability-Optimized User Admission Control for URLLC Traffic: A Neural Contextual Bandit Approach [4.958511942948984]
  超信頼性低レイテンシ通信(URLLC)は、次世代無線ネットワークにおける幅広い新興サービスの基盤となっている。 URLLCは、URLLCトラフィックをサポートするのに十分なリソースがあるかどうかを積極的に判断するネットワークの能力に依存している。 ニューラルネットワークに基づく新しい手法が提案されている。
  論文  参考訳（メタデータ） (2024-01-05T20:26:08Z)
• Towards Decentralized Predictive Quality of Service in Next-Generation Vehicular Networks [16.930875340427765]
  我々は、車両ネットワークに予測品質(PQoS)を実装するための強化学習エージェントを設計する。 我々のフレームワークは、低レイテンシと信頼性の制約の下で自動車データを送信するための最適な圧縮レベルを特定することができる。
  論文  参考訳（メタデータ） (2023-02-22T10:35:00Z)

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。