論文の概要: Resilient Decentralized Wireless Federated Learning via Gradient Tracking with AdamW

• arxiv url: http://arxiv.org/abs/2608.25535v1
• Date: Wed, 26 Aug 2026 08:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.689023
• Title: Resilient Decentralized Wireless Federated Learning via Gradient Tracking with AdamW
• Title（参考訳）: AdamWによるグラディエントトラッキングによるレジリエント分散無線フェデレーションラーニング
• Authors: Nguyen Van Thieu, Ti Ti Nguyen, Ons Aouedi, Vu Nguyen Ha, Symeon Chatzinotas,
• Abstract要約: 本稿では,無線通信(WCom)ネットワーク上でのDecLの通信効率と耐障害性を示すQEF-GT-AdamWを提案する。 我々は,帯域幅,送信電力,空調制約,フェードチャネルがDecL性能に与える影響を明示的にモデル化し,圧縮・信頼性の低い無線通信において提案アルゴリズムの収束保証を確立する。
• 参考スコア（独自算出の注目度）: 41.35060510410376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless Internet-of-Things (IoT) edge networks require decentralized learning (DecL) methods that can operate reliably under both heterogeneous local data and communication-constrained wireless links. However, existing decentralized optimization schemes often incur substantial communication overhead and degraded performance when transmissions are constrained by strict airtime budgets, fading channels, and packet losses. This paper proposes QEF-GT-AdamW, a communication-efficient and outage-resilient algorithm for DecL over wireless communication (WCom) networks. The proposed method combines gradient tracking to mitigate the effect of non-IID data, AdamW-based adaptive optimization to improve training stability, and dual-stream biased quantization with error feedback to reduce communication payloads for both model and tracking exchanges. To address unreliable broadcast communication, the proposed framework further employs a local fallback strategy when scheduled packets are not successfully received. We explicitly model the effect of bandwidth, transmit power, airtime constraints, and fading channels on DecL performance, and establish convergence guarantees for the proposed algorithm under compressed and unreliable wireless communication. Experimental results on heterogeneous MNIST and CIFAR-10 settings show that QEF-GT-AdamW consistently improves robustness and convergence performance over representative DecL baselines while achieving favorable accuracy-communication trade-offs under limited wireless resources.
• Abstract（参考訳）: IoT(Wireless Internet-of-Things)エッジネットワークは、異種ローカルデータと通信制約のある無線リンクの両方で確実に動作可能な分散学習(DecL)手法を必要とする。 しかし、既存の分散最適化方式は、送信が厳格な空調予算、フェーディングチャネル、パケット損失によって制約される場合、通信オーバーヘッドや性能低下を招きかねない。 本稿では,無線通信(WCom)ネットワーク上でのDecLの通信効率と耐障害性を示すQEF-GT-AdamWを提案する。 提案手法は,非IIDデータの効果を緩和するために勾配追跡,訓練安定性を改善するためのAdamWに基づく適応最適化,およびモデルおよび追跡交換の通信ペイロードを削減するための2ストリームバイアス量子化と誤差フィードバックを組み合わせた。 信頼性の低いブロードキャスト通信に対処するため,提案フレームワークでは,スケジュールパケットの受信が成功しなかった場合に,さらにローカルフォールバック戦略を採用する。 我々は,帯域幅,送信電力,空調制約,フェードチャネルがDecL性能に与える影響を明示的にモデル化し,圧縮・信頼性の低い無線通信において提案アルゴリズムの収束保証を確立する。 不均一なMNISTとCIFAR-10の設定実験の結果、QEF-GT-AdamWは、限られた無線リソースの下で良好な精度の通信トレードオフを達成しつつ、代表的なDecLベースラインよりも頑健さと収束性能を一貫して向上することが示された。

関連論文リスト

• Convergence-Latency-Aware Adaptive Modulation and Resource Allocation in RIS-Assisted Wireless Federated Learning [36.8694764886586]
  無線ネットワーク上でのフェデレーション学習は、信頼性の低い無線伝送によるトレーニング遅延と劣化した収束に悩まされる。 本稿では、RIS支援ブロッキングリンク伝搬シナリオ下での無線FLシステムについて考察する。 アップロードした局所勾配に対するシンボル誤差の影響を特徴付けることにより、FL損失減衰に対するシンボル誤り率(SER)の影響を明らかにする収束関連上界を導出する。
  論文  参考訳（メタデータ） (2026-07-22T05:09:22Z)
• Prioritizing Gradient Sign Over Modulus: An Importance-Aware Framework for Wireless Federated Learning [72.18619424901249]
  Sign-Prioritized FL (SP-FL) は、不均一なリソース割り当てを通じて重要な勾配情報の送信を優先するフレームワークである。 本稿では,Newton-Raphson 法と逐次凸近似 (SCA) を用いて,この問題を解決するための交互最適化アルゴリズムを提案する。 シミュレーションの結果,特に資源制約シナリオにおけるSP-FLの優位性が確認された。
  論文  参考訳（メタデータ） (2026-03-11T13:41:02Z)
• Straggler-Resilient Federated Learning over A Hybrid Conventional and Pinching Antenna Network [13.50794408418408]
  無線ネットワーク対応学習(FL)におけるピンチアンテナの活用は、FLの一般的な「ストラグラー」問題を効果的に緩和することができる。 通信効率を大幅に向上させるために, 従来型ピンチアンテナネットワーク(HCPAN)を提案する。
  論文  参考訳（メタデータ） (2025-08-17T17:09:42Z)
• Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
  Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。 閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。 LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
  論文  参考訳（メタデータ） (2025-07-13T09:14:17Z)
• Distributionally Robust Wireless Semantic Communication with Large AI Models [111.47794569742206]
  現在のSemComシステムは、様々なノイズ条件、敵攻撃、アウト・オブ・ディストリビューション・データにまたがる一般化に失敗している。 Wassersteinは、意味的誤解釈やチャネル摂動に対するレジリエンスを提供するために、分布的に堅牢な最適化を採用している。 画像とテキストの伝送実験の結果、WaSeComは雑音や逆方向の摂動下で頑健性の向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-05-28T04:03:57Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• Latent Diffusion Model-Enabled Low-Latency Semantic Communication in the Presence of Semantic Ambiguities and Wireless Channel Noises [18.539501941328393]
  本稿では,ソースデータのアウトレイラを処理するために,遅延拡散モデルを用いたSemComシステムを開発した。 軽量な単層遅延空間変換アダプタは、送信機でのワンショット学習を完了させる。 終端整合蒸留法を用いて, 潜時空間で訓練した拡散模型を蒸留する。
  論文  参考訳（メタデータ） (2024-06-09T23:39:31Z)
• Non-Coherent Over-the-Air Decentralized Gradient Descent [0.0]
  無線システムにおける分散グラディエントDescentの実装は、ノイズ、フェーディング、帯域幅の制限により困難である。 本稿では,スケジューリング,トポロジ情報,CSIの必要性を解消するスケーラブルなDGDアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-19T19:15:34Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)

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。