論文の概要: Constrained Bayesian Optimization for Hierarchical Federated Learning in IoT Networks for Plant Disease Classification

• arxiv url: http://arxiv.org/abs/2609.06830v1
• Date: Sun, 06 Sep 2026 20:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.310738
• Title: Constrained Bayesian Optimization for Hierarchical Federated Learning in IoT Networks for Plant Disease Classification
• Title（参考訳）: 植物病分類のためのIoTネットワークにおける階層的フェデレーション学習のための制約付きベイズ最適化
• Authors: Athanasios Papanikolaou, Athanasios Tziouvaras, Apostolos Xenakis, Periklis Chatzimisios, Shameem A. Puthiya Parambath, George Floros, Enrica Zereik, Ivan Petrovic, Fabio Bonsignorio,
• Abstract要約: HFL(Hierarchical Federated Learning)のリソース制約のあるIoT(Internet of Things)環境への展開には、予測パフォーマンスとエネルギー消費と実行時間のバランスを取るために、慎重に構成する必要がある。 本稿では,HFL配置の効率的な構成のための制約付きベイズ最適化フレームワークを提案する。 重み付けされた目的関数は、エネルギー消費、実行時間、予測パフォーマンスの間のユーザ定義のトレードオフをキャプチャします。
• 参考スコア（独自算出の注目度）: 3.157511963455073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The deployment of Hierarchical Federated Learning (HFL) in resource-constrained Internet of Things (IoT) environments requires careful configuration to balance predictive performance with energy consumption and execution time. This challenge is particularly relevant to smart agriculture, where distributed IoT devices can support automated plant disease classification while operating under limited computational and communication resources. This paper presents a constrained Bayesian Optimization framework for the efficient configuration of HFL deployments. The proposed approach jointly explores the deep learning backbone architecture, aggregation strategy, and number of communication rounds, while the federation size is determined according to the spatial coverage requirements of the agricultural deployment. A weighted objective function captures user-defined trade-offs among energy consumption, execution time, and predictive performance, while explicit constraints ensure compliance with deployment-specific resource and accuracy requirements. The framework is evaluated on an IoT-based plant disease classification task considering multiple deep learning architectures, federated aggregation strategies, and communication-round settings. Experimental results across 30 independent optimization runs show that the proposed approach explores only 11.11% of the search space, while consistently identifying solutions within 1% of the exhaustive-search optimum, with a mean optimality gap of only 0.056%.
• Abstract（参考訳）: HFL(Hierarchical Federated Learning)のリソース制約のあるIoT(Internet of Things)環境への展開には、予測パフォーマンスとエネルギー消費と実行時間のバランスを取るために、慎重に構成する必要がある。 この課題はスマート農業に特に関係しており、分散IoTデバイスは、限られた計算および通信リソースの下で運用しながら、植物病の自動分類をサポートすることができる。 本稿では,HFL配置の効率的な構成のための制約付きベイズ最適化フレームワークを提案する。 提案手法は,深層学習のバックボーンアーキテクチャ,アグリゲーション戦略,通信ラウンド数などを共同で検討し,農業展開の空間被覆要件に応じてフェデレーションサイズを決定する。 重み付けされた目的関数は、エネルギー消費、実行時間、予測パフォーマンスの間のユーザ定義のトレードオフをキャプチャします。 このフレームワークは、複数のディープラーニングアーキテクチャ、フェデレーションアグリゲーション戦略、コミュニケーションラウンド設定を考慮して、IoTベースの植物病分類タスクで評価される。 30個の独立した最適化の実行で実験した結果、提案手法は探索空間の11.11%しか探索せず、探索最適化の1%以内の解を常に同定し、平均最適性ギャップは0.056%に過ぎなかった。

関連論文リスト

• Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
  異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。 本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-25T12:16:28Z)
• Performance and Energy Trade-Off Analysis of Hierarchical Federated Learning for Plant Disease Classification [3.265862388280526]
  本稿では,植物病の分類のための階層型フェデレーション学習アーキテクチャの設計空間を探索する。 予測性能とエネルギー効率のトレードオフに焦点を当てる。 本稿では,モデル・アグリゲータ構成の体系的評価と選択を可能にするパワー・アンド・エネルギ・アウェア最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T13:21:18Z)
• 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)
• FedACT: Concurrent Federated Intelligence across Heterogeneous Data Sources [12.329109810274586]
  現実世界のアプリケーションはますます、複数の機械学習タスクを必要としている。 我々は,複数の並列FLジョブ間で異種デバイスを効率的にスケジュールする新しいリソース対応デバイススケジューリング手法であるEm FedACTを紹介する。 以上の結果から,EMFACT は平均 JCT を最大8.3 (times) 削減し,モデル精度を最先端のベースラインと比較して44.5% 向上することを示した。
  論文  参考訳（メタデータ） (2026-03-11T23:52:17Z)
• Small-Scale-Fading-Aware Resource Allocation in Wireless Federated Learning [27.931985523249352]
  本稿では,マルチエージェント強化学習(MARL)フレームワークを用いた小規模フェイディング対応リソース割り当て戦略を提案する。 我々は、FLアルゴリズムの一段階収束境界を確立し、リソース割り当て問題を分散化された部分的に観測可能なマルコフ決定プロセスとして定式化する。 我々のフレームワークでは、各クライアントは、各コヒーレンス時間スロット内のスペクトルと電力割り当てを動的に決定するエージェントとして機能する。
  論文  参考訳（メタデータ） (2025-05-06T13:41:59Z)
• Cluster-Aware Multi-Round Update for Wireless Federated Learning in Heterogeneous Environments [25.405210975577834]
  本稿では、類似したデータと通信特性を持つグループデバイスとの事前知識の類似性を活用するクラスタリング戦略を提案する。 クラスタを基本単位として扱い、クラスタ化されたコントリビューションしきい値に基づいてローカル更新頻度を調整する新しいクラスタ・アウェア・マルチラウンド・アップデート(CAMU)戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-06T02:48:48Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)

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。