論文の概要: Hidden in Rounds: Predicting the Time Cost of 802.11 Contention in Federated Learning
- arxiv url: http://arxiv.org/abs/2609.12903v1
- Date: Fri, 11 Sep 2026 14:30:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.778135
- Title: Hidden in Rounds: Predicting the Time Cost of 802.11 Contention in Federated Learning
- Title（参考訳）: ラウンドに隠れた:フェデレーションラーニングにおける802.11コンテントの時間コスト予測
- Abstract要約: IEEE802.11上のフェデレートラーニングは、モデル更新を送信するクライアント間で無線チャンネルを共有している。
ns-3を用いて、異なるクライアント密度のフレーム配信比と飽和スループットを測定し、負荷を提示する。
別個のFedAvgトレーナーは、フレーム配信比率を更新完了確率の1次プロキシとして使用し、通信時間を推定するために方程式を使用する。
- 参考スコア（独自算出の注目度）: 2.313256061695585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning over IEEE~802.11 shares the wireless channel among clients that send model updates. We use ns-3 to measure the frame-delivery ratio and saturation throughput for different client densities and offered loads. A separate FedAvg trainer uses the frame-delivery ratio as a first-order proxy for the update-admission probability and uses an equation to estimate communication time. The method does not simulate the delivery of a complete model update or measure end-to-end training time. Across 720 evaluated runs with two datasets, two data partitions, six client densities, six offered loads, and five seeds, all runs reached their predefined target accuracy within the round budget. Rounds-to-target changed little with offered load, while communication time-to-target increased by about two orders of magnitude across the client-density range. A Bianchi-anchored estimator produced a mean absolute percentage error from $2.3\%$ to $10.2\%$ on held-out configurations. This error is measured against communication time constructed from the same round-duration equation, not against independently measured completion time. We also compare uniform participation with persistent heterogeneous participation. The study does not detect a statistically distinguishable excluded-class accuracy gap over five seeds, but the confidence intervals are wide. The results apply only to the evaluated configurations and do not provide a general convergence or fairness guarantee.
- Abstract（参考訳）: IEEE〜802.11上のフェデレートラーニングは、モデル更新を送信するクライアント間で無線チャネルを共有する。
ns-3を用いて、異なるクライアント密度のフレーム配信比と飽和スループットを測定し、負荷を提示する。
別個のFedAvgトレーナーは、フレーム配信比率を更新完了確率の1次プロキシとして使用し、通信時間を推定するために方程式を使用する。
この方法は、完全なモデル更新のデリバリをシミュレートしたり、エンドツーエンドのトレーニング時間を計測したりしない。
720を越える評価対象は、2つのデータセット、2つのデータパーティション、6つのクライアント密度、6つの提案された負荷、5つのシードで、すべてがラウンド予算内で事前に定義された目標精度に達した。
ラウンド・トゥ・ターゲットは提供された負荷でほとんど変化しなかったが、通信の時間・ツー・ターゲットはクライアント密度の範囲で約2桁増加した。
ビアンチアンコール推定器は、ホールドアウト構成において平均絶対パーセンテージ誤差を2.3\%から10.2\%に生成した。
この誤差は、同じラウンドデュレーション方程式から構築された通信時間に対して測定され、独立に測定された完了時間に対して測定される。
また,一様参加と恒常参加との比較を行った。
本研究は、5種以上の統計的に区別可能なクラス別精度ギャップを検出できないが、信頼区間は広い。
結果は評価された構成にのみ適用され、一般的な収束や公正性の保証は提供されない。
関連論文リスト
- Accuracy Is Not Service: A Decision-Aware Benchmark for Intermittent-Demand Forecasting [4.1751058176413105]
古典的、断続的、機械学習、ディープラーニング、事前訓練された基礎モデルにまたがる38の予測手法をベンチマークした。
予測精度ランクと注文サービスランクは、20,330の実際のマルチイテムオーダーで評価された手法に対して、工業パネルにおいて-0.555で負の相関関係を持つ。
断続的な需要に対しては、最も低いエラー予測は最高のサービスを提供する必要はない。
論文 参考訳（メタデータ） (2026-09-12T09:51:30Z) - RynnValue: Scaling Robotic Value Foundation Models with Temporal Distance [84.26294415726723]
汎用報酬モデルが、ロボット学習のスケーリングのボトルネックになりつつある。
ロボット操作のためのオープンソースのバリューファンデーションモデルであるRynnValueを紹介した。
RynnValueは7000時間以上、好みやプログレッシブアノテーションなしで約3Mの命令条件付きクリップにスケールする。
論文 参考訳（メタデータ） (2026-08-10T17:09:37Z) - Selective Test-Time Compute Scaling for Click-Through Rate Prediction via Uncertainty-Triggered Feature Path Exploration [9.542597285477683]
テスト時間計算のスケーリングは言語モデルに非常に効果的であることが証明されているが、この機会は産業用クリックスルーレート(CTR)予測では探索されていない。
UTTSI(Uncertainty-Triggered Test-Time Selective Inference)は、トレーニング不要なモデルに依存しないフレームワークで、推論深度をインスタンスごとの不確実性に比例して拡張する。
論文 参考訳（メタデータ） (2026-05-24T10:29:10Z) - Ask Early, Ask Late, Ask Right: When Does Clarification Timing Matter for Long-Horizon Agents? [0.7199239000118145]
本稿では,エージェントの軌道の制御点における接地真実の明確化を提供する強制注入フレームワークを提案する。
明確化の価値は、どの情報が欠落しているかに大きく依存している。
300のセッションを補完する研究により、現在のフロンティアモデルは経験的に最適なウィンドウ内では問わないことが明らかになった。
論文 参考訳（メタデータ） (2026-05-08T16:08:03Z) - Prediction-space knowledge markets for communication-efficient federated learning on multimedia tasks [0.0]
フェデレートラーニング(FL)は、分散マルチメディアデータによる協調トレーニングを可能にする。
FLの予測空間知識取引市場であるKTA v2を提案する。
FEMNIST、CIFAR-10、AG Newsの実験では、KTA v2はローカルのみのベースラインと強力なパラメータベースの手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-30T11:24:19Z) - Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。
本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
論文 参考訳（メタデータ） (2025-09-10T15:22:40Z) - Distributed Training under Packet Loss [8.613477072763404]
信頼性の低いコネクションを利用するとレイテンシが低下するが、パケットを落としてモデルの精度と収束を犠牲にする可能性がある。
そこで本研究では,パケット損失の正確性と収束性を保証する原理的なエンドツーエンドソリューションを提案する。
この研究は、コミュニケーション効率の高いプロトコルと、現代の大規模モデルの訓練で要求される精度と保証のギャップを埋めるものである。
論文 参考訳（メタデータ） (2025-07-02T11:07:20Z) - Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
時系列における不確実性定量化の問題を相関配列を利用して解決する。
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。
我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
論文 参考訳（メタデータ） (2025-02-13T16:12:17Z) - ResFed: Communication Efficient Federated Learning by Transmitting Deep
Compressed Residuals [24.13593410107805]
フェデレートラーニングは、学習したローカルモデルパラメータを共有することで、大規模分散クライアント間の協調トレーニングを可能にする。
モデルパラメータではなく残差を訓練用ネットワークに送信する残差ベースフェデレーション学習フレームワーク(ResFed)を導入する。
共通予測ルールを用いることで、ローカルモデルとグローバルモデルの両方が、常にクライアントとサーバで完全に回復可能である。
論文 参考訳（メタデータ） (2022-12-11T20:34:52Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳（メタデータ） (2021-07-07T15:50:18Z) - Data Dependent Randomized Smoothing [127.34833801660233]
データ依存フレームワークは、3つのランダムな平滑化アプローチにシームレスに組み込むことができます。
CIFAR10とImageNetで0.5の半径の最強ベースラインの認定精度よりも9%と6%の改善が得られています。
論文 参考訳（メタデータ） (2020-12-08T10:53:11Z) - Towards Streaming Perception [70.68520310095155]
本稿では、リアルタイムオンライン知覚のための単一のメトリクスにレイテンシと精度を協調的に統合するアプローチを提案する。
この指標の背後にある重要な洞察は、瞬間ごとに認識スタック全体の出力を共同で評価することである。
本稿では,都市ビデオストリームにおけるオブジェクト検出とインスタンスセグメンテーションの具体的タスクに注目し,高品質で時間依存的なアノテーションを備えた新しいデータセットを寄贈する。
論文 参考訳（メタデータ） (2020-05-21T01:51:35Z)
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。