論文の概要: Non-Coherent Over-the-Air Federated Learning: Protocol, Convergence, and Device Scheduling
- arxiv url: http://arxiv.org/abs/2609.08312v1
- Date: Tue, 08 Sep 2026 06:34:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.598042
- Title: Non-Coherent Over-the-Air Federated Learning: Protocol, Convergence, and Device Scheduling
- Title（参考訳）: 非Coherent Over-the-Air Federated Learning:Protocol, Convergence, Device Scheduling
- Abstract要約: 単一アンテナMAC上の非コヒーレントAirFLプロトコル。
単一アンテナMAC上の非コヒーレントなAirFLプロトコルは、バイナリディザリング、非コヒーレントなエラーフィードバックを活用する。
- 参考スコア（独自算出の注目度）: 32.15907297197385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To mitigate the scalability bottleneck in the radio access network (RAN) in federated edge learning (FEEL), over-the-air federated learning (AirFL) exploits waveform superposition over multiple-access channels (MACs) for analog model aggregation. However, coherent AirFL typically relies on stringent PHY-layer conditions such as accurate channel state information (CSI), tight time/frequency synchronization, and frequent transceiver calibration for signal alignment. However, these requirements, if not impossible to be met, incur substantial communication and computation overhead. In this paper, we propose a non-coherent AirFL (NCAirFL) protocol over a broadband single-antenna MAC, leveraging binary dithering, unbiased non-coherent detection, and long-term error feedback to waive the need for instantaneous CSI. For NCAirFL with general smooth non-convex objectives and a constant learning rate, we establish a convergence bound achieving the convergence rate in the same order of $\mathcal{O}(1/\sqrt{T})$ as communication-ideal FedAvg, where $T$ is the total number of communication rounds. To further improve communication efficiency under data and wireless resource heterogeneity, we also derive a lower bound on the expected single-round objective decrease in the global loss conditioned on device scheduling, building upon which a surrogate objective function is obtained for jointly optimal device selection and power control. Experimental results on MNIST and CIFAR-10 corroborate that NCAirFL achieves learning performance close to FedAvg in practical settings, with the proposed device scheduling policy substantially accelerating convergence.
- Abstract（参考訳）: フェデレートエッジラーニング(FEEL)における無線アクセスネットワーク(RAN)のスケーラビリティのボトルネックを軽減するために、オーバー・ザ・エア・フェデレートラーニング(AirFL)は、アナログモデルアグリゲーションのために多重アクセスチャネル(MAC)上の波形重畳を利用する。
しかし、コヒーレントなAirFLは一般に、正確なチャネル状態情報(CSI)、タイトな時間/周波数同期、信号アライメントのための頻繁なトランシーバキャリブレーションといったPHY層条件に依存している。
しかし、これらの要件は満たせないとしても、かなりの通信と計算のオーバーヘッドを発生させる。
本稿では,広帯域単一アンテナMAC上での非コヒーレントAirFL(NCAirFL)プロトコルを提案する。
一般的な滑らかな非凸目的と一定の学習率を持つNCAirFLに対して、$T$が通信ラウンドの総数である通信イデアルFedAvgとして$\mathcal{O}(1/\sqrt{T})$と同じ順序で収束率を達成する収束境界を確立する。
さらに、データと無線リソースの不均一性による通信効率の向上を図るため、デバイススケジューリングに基づく大域的損失の予測単ラウンド目標減少に対する低い境界を導出し、デバイス選択と電力制御を協調的に最適化するための代理目的関数を求める。
MNIST と CIFAR-10 の実験結果は,NCAirFL がFedAvg に近い学習性能を現実的に達成していることを裏付けるものである。
関連論文リスト
- Channel-Adaptive Robust Aggregation for Over-the-Air Federated Learning in Heterogeneous Networks [11.85706685141547]
本稿では,チャネルダイナミクスとアプリケーション準備性に基づいてアグリゲーションを適応的にスケジュールするフレームワークCHARGE-FLを提案する。
以上の結果から,CHARGE-FLは最先端OTA-FL法よりも精度,安定性,収束性を著しく向上することがわかった。
論文 参考訳（メタデータ） (2026-07-05T10:24:08Z) - Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。
バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
論文 参考訳（メタデータ） (2025-08-21T02:46:46Z) - Optimal Batch-Size Control for Low-Latency Federated Learning with Device Heterogeneity [30.53961003855146]
フェデレートラーニング(FL)は、第6世代(6G)ネットワークにおける協調機械学習の一般的なアプローチとして登場した。
FLアルゴリズムの展開は、自律運転、拡張現実、ヘルスケアなど、幅広いIoT(Internet-of-Things)アプリケーションを強化することが期待されている。
本稿では,収束性を確保しつつ,エンドツーエンド(E2E)学習遅延を最小限に抑える,バッチサイズ最適制御のための新しいC$2のフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-21T13:24:38Z) - 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) - 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) - NCAirFL: CSI-Free Over-the-Air Federated Learning Based on Non-Coherent Detection [36.492934314653766]
オーバー・ザ・エア・フェデレーションド・ラーニング(Over-the-air Federated Learning, FL)は、複数のアクセスチャネル上でプリミティブな計算を利用する。
AirFLの長年の課題は、高価なチャネル推定とフィードバックに頼ることなく、コヒーレントな信号アライメントを実現することである。
論文 参考訳（メタデータ） (2024-11-20T02:53:04Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - Over-the-Air Federated Learning with Joint Adaptive Computation and
Power Control [30.7130850260223]
本稿では,オーバー・ザ・エア・コンピューティング・ラーニング(OTA-FL)について考察する。
OTA-FLは、無線媒体の重ね合わせ特性を利用して、空気上のアグリゲーションを無料で行う。
論文 参考訳（メタデータ） (2022-05-12T03:28:03Z) - Bayesian Federated Learning over Wireless Networks [87.37301441859925]
フェデレーションラーニングは、ローカルデバイスに保存された異種データセットを使用したプライバシー保護と分散トレーニング方法です。
本稿では、スケーラブルBFL (SBFL) と呼ばれる効率的な修正BFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-31T07:32:44Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T14:04:01Z)
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。