論文の概要: DART-FL: Burst-Aware Multitask Federated Learning under Dynamic Inference Demand at the Edge

• arxiv url: http://arxiv.org/abs/2608.27713v1
• Date: Thu, 27 Aug 2026 21:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.149411
• Title: DART-FL: Burst-Aware Multitask Federated Learning under Dynamic Inference Demand at the Edge
• Title（参考訳）: DART-FL:エッジでの動的推論要求下でのバースト対応マルチタスクフェデレーション学習
• Abstract要約: エッジインテリジェンスシステムは、モデルトレーニングとオンライン推論が共存するためにますます必要になる。 サービスレベルの目的を維持するには、十分な計算を推論のために予約する必要がある。 本稿では,SLO対応の要求駆動型マルチタスク・フェデレーション・ラーニング・フレームワーク(DART-FL)を提案する。
• 参考スコア（独自算出の注目度）: 20.236878186665272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge intelligence systems increasingly require model training and online inference to coexist on resource-constrained devices, while inference demand can vary substantially across tasks over time. This creates two coupled challenges: sufficient computation must be reserved for inference to maintain service-level objectives (SLOs), while the remaining training capacity should adapt to task-specific demand so that frequently requested tasks can improve earlier during training. We propose an SLO-aware, demand-driven multitask federated learning framework (DART-FL) that jointly adapts the inference-training resource split and task-level training emphasis. At each scheduling interval, DART-FL uses the inference backlog and profiled service capacity to determine the minimum resource allocation required for inference. The remaining training capacity is then distributed across tasks using a queue-aware DPP-inspired scheduler, and the resulting task allocations are mapped to dynamic loss weights. This allows tasks experiencing higher inference demand to receive greater training emphasis in earlier communication rounds. Clients train a shared backbone with task-specific heads, and the complete multitask model is aggregated through FedAvg. We evaluate DART-FL using Stanford Cars and Oxford Flowers 102 under both synthetic and real Alibaba trace-derived workloads. Results show that DART-FL dynamically adapts the inference-training resource split to time-varying inference demand and shifts the learning progress of high-demand tasks toward their burst periods, improving model accuracy when those tasks are frequently requested while maintaining comparable long-term multitask performance.
• Abstract（参考訳）: エッジインテリジェンスシステムは、リソース制約のあるデバイスに共存するために、モデルトレーニングとオンライン推論をますます必要とします。 サービスレベルの目標(SLO)を維持するために十分な計算を推論するために予約する必要があるが、残りのトレーニング能力はタスク固有の要求に適応して、頻繁に要求されるタスクがトレーニング中に早期に改善されるようにする必要がある。 本稿では,SLO対応の要求駆動型マルチタスク・フェデレーション・ラーニング・フレームワーク(DART-FL)を提案する。 スケジューリング間隔毎に、DART-FLは推論バックログとプロファイルされたサービスキャパシティを使用して、推論に必要な最小リソース割り当てを決定する。 残りのトレーニング能力はキュー対応のDPPインスパイアされたスケジューラを使用してタスクに分散され、結果のタスク割り当ては動的損失重みにマップされる。 これにより、より高い推論要求を経験するタスクは、以前のコミュニケーションラウンドでトレーニングに重点を置くことができる。 クライアントはタスク固有のヘッドで共有バックボーンをトレーニングし、完全なマルチタスクモデルはFedAvgを通じて集約される。 我々は、Stanford Cars と Oxford Flowers 102 を用いて、Alibaba のトレースベースワークロードの合成および実際のワークロードで DART-FL を評価した。 その結果,DART-FLは,予測学習リソースを時間変化の予測要求に動的に適応させ,高要求タスクの学習進捗をバースト周期にシフトさせ,それらのタスクが頻繁に要求される場合のモデル精度を向上させるとともに,長期マルチタスク性能を同等に維持することを示した。

関連論文リスト

• Beyond Solvability: Task Learnability as a Static Prior for LLM RL Post-Training [52.78248352851176]
  強化学習(Reinforcement Learning, RL)は、大規模言語モデルにおける推論能力を引き出すための訓練後のパラダイムである。 本研究では,この残差軸をタスク学習可能性として検討する。 そこで我々はTrajValを提案する。TrajValは、短いプローブランと2つのエンドポイント評価からタスク毎の学習可能性を近似する軽量なプローブベース推定器である。
  論文  参考訳（メタデータ） (2026-08-10T07:43:05Z)
• FLAME: Adaptive Mixture-of-Experts for Continual Multimodal Multi-Task Learning [31.686140342132745]
  複数のドメインにまたがる実世界のモデル展開には、2つの補完的な体制の下で運用するマルチモーダルモデルが必要である。 フレキシブルなモダリティの組み合わせにまたがるマルチタスク事前学習と連続学習のためのスケーラブルなMoEフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:09:32Z)
• MARLaaS: Multi-Tenant Asynchronous Reinforcement Learning as a Service [8.277398548196619]
  MARL(Multi-tenant Asynchronous RL as a Service)は、複数のユーザとタスクをまたがる並列RL微調整システムである。 当社のアプローチは,(1)軽量なLoRAアダプタを用いてテナント間でベースモデルを共有すること,(2)ロールアウト生成,環境相互作用,ポリシートレーニングを独立的にスケジュールされた段階に分離する分散非同期アーキテクチャである。 マルチタスク環境では、MARLはシングルタスクの最先端性能を達成し、加速器の使用率を最大4.3倍に改善し、エンドツーエンドのトレーニング時間を85%短縮する。
  論文  参考訳（メタデータ） (2026-05-08T22:20:24Z)
• Dynamic Routing Between Experts: A Data-Efficient Approach to Continual Learning in Vision-Language Models [10.431923437214719]
  VLM(Vision-Language Models)は、新しいタスクを逐次微調整する場合、破滅的な忘れ込みに悩まされる。 本稿では,事前学習時に得られる基礎知識を維持しつつ,新たなタスクの統合を可能にするルーティングベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-03T18:39:32Z)
• StableMTL: Repurposing Latent Diffusion Models for Multi-Task Learning from Partially Annotated Synthetic Datasets [14.867396697566257]
  部分学習のセットアップをゼロショット設定に拡張し、複数のデータセット上でマルチタスクモデルをトレーニングします。 我々の方法であるStableMTLは、遅延回帰のために画像生成装置を再利用する。 タスク毎の損失に対して、注意深いバランスを必要とするのではなく、統一された潜伏損失を採用し、より多くのタスクにシームレスなスケーリングを可能にします。
  論文  参考訳（メタデータ） (2025-06-09T17:59:59Z)
• Bigger, Regularized, Categorical: High-Capacity Value Functions are Efficient Multi-Task Learners [60.75160178669076]
  オンライン強化学習におけるタスク干渉の問題に対して,クロスエントロピーを用いて訓練し,学習可能なタスク埋め込みを条件とした高容量値モデルの使用が課題であることを示す。 280以上のユニークなタスクを持つ7つのマルチタスクベンチマークで、高い自由度ヒューマノイド制御と離散視覚ベースのRLにまたがるアプローチを検証した。
  論文  参考訳（メタデータ） (2025-05-29T06:41:45Z)
• TemPrompt: Multi-Task Prompt Learning for Temporal Relation Extraction in RAG-based Crowdsourcing Systems [21.312052922118585]
  時間的関係抽出(TRE)は、出来事や行動の進化を把握し、関連するタスクのワークフローを形成することを目的としている。 本稿では,TRE(TemPrompt)のためのマルチタスク・プロンプト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-21T01:52:37Z)
• Effective Adaptation in Multi-Task Co-Training for Unified Autonomous Driving [103.745551954983]
  本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。 彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。 汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-19T12:15:31Z)
• DL-DRL: A double-level deep reinforcement learning approach for large-scale task scheduling of multi-UAV [65.07776277630228]
  分割・征服フレームワーク(DCF)に基づく二重レベル深層強化学習(DL-DRL)手法を提案する。 特に,上層部DRLモデルにおけるエンコーダ・デコーダ構成ポリシネットワークを設計し,タスクを異なるUAVに割り当てる。 また、低レベルDRLモデルにおける別の注意に基づくポリシーネットワークを利用して、各UAVの経路を構築し、実行されたタスク数を最大化する。
  論文  参考訳（メタデータ） (2022-08-04T04:35:53Z)
• Controllable Dynamic Multi-Task Architectures [92.74372912009127]
  本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。 本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
  論文  参考訳（メタデータ） (2022-03-28T17:56:40Z)
• Reparameterizing Convolutions for Incremental Multi-Task Learning without Task Interference [75.95287293847697]
  マルチタスクモデルを開発する際の2つの一般的な課題は、しばしば文献で見過ごされる。 まず、モデルを本質的に漸進的に可能にし、以前に学んだことを忘れずに新しいタスクから情報を継続的に取り入れる(インクリメンタルラーニング)。 第二に、タスク間の有害な相互作用を排除し、マルチタスク設定(タスク干渉)においてシングルタスクのパフォーマンスを著しく低下させることが示されている。
  論文  参考訳（メタデータ） (2020-07-24T14:44:46Z)

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。