論文の概要: Joint Optimization for Federated Learning and Transmission over Unreliable Wireless Networks with Heterogeneous Data

• arxiv url: http://arxiv.org/abs/2609.14246v1
• Date: Sun, 13 Sep 2026 02:49:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 12:40:38.825153
• Title: Joint Optimization for Federated Learning and Transmission over Unreliable Wireless Networks with Heterogeneous Data
• Title（参考訳）: 不均一データを用いた信頼できない無線ネットワーク上でのフェデレーション学習と送信の協調最適化
• Abstract要約: 無線連合学習(FL)では、データの不均一性と複数のローカル更新がクライアントのドリフトを誘導し、収束を低下させる。 本稿では、ランダムウォーク(RW)パスに沿ってモデルを更新し、サーバでそれらを集約することにより、データの均一性を緩和するフェデレートランダムウォーク平均化(FedRW)フレームワークを提案する。 遅延制約下でのトレーニング損失を最小限に抑えるために,学習,RW経路選択,伝達パラメータチューニングを統合した共同最適化問題を定式化する。
• 参考スコア（独自算出の注目度）: 19.70927117284918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In wireless federated learning (FL), data heterogeneity and multiple local updates induce client drift, degrading model convergence. It is further affected by unreliable wireless links, as transmission errors may invalidate model updates. To address these challenges, we propose a federated random walk averaging (FedRW) framework, which is a variant of federated averaging (FedAvg) that mitigates data heterogeneity by updating models along random walk (RW) paths and aggregating them at the server. Model parameters are transmitted in packets with retransmission support to improve training quality by mitigating wireless errors along RW paths. Meanwhile, wireless transmission delays hinder the exploration of FedRW. To this end, we formulate a joint optimization problem that integrates learning, RW path selection, and transmission parameter tuning, aiming to minimize the training loss under delay constraints. By deriving an upper bound on the expected convergence of FedRW over unreliable wireless networks, we reduce the problem to a general form agnostic to task type and model architecture. A distributed solution is then proposed, in which the server or clients optimize packet size and maximum number of retransmissions locally, and efficiently select reliable and expandable next-hop nodes via a resilience-aware beam search with dynamic pruning. Simulation results show that FedRW achieves 2.26%-9% higher accuracy than state-of-the-art baselines under high data heterogeneity. Furthermore, the jointly optimized FedRW yields at least 2.78% higher accuracy and faster convergence compared to baselines.
• Abstract（参考訳）: 無線連合学習(FL)では、データの不均一性と複数のローカル更新によりクライアントのドリフト、劣化モデル収束が誘導される。 送信エラーがモデルの更新を無効にする可能性があるため、信頼性の低い無線リンクによってさらに影響を受ける。 これらの課題に対処するために、ランダムウォーク(RW)パスに沿ってモデルを更新し、サーバでそれらを集約することにより、データの均一性を緩和するフェデレーション平均化(FedAvg)の亜種であるフェデレーションランダムウォーク平均化(FedRW)フレームワークを提案する。 モデルパラメータは、RW経路に沿って無線エラーを軽減し、トレーニング品質を向上させるために再送信サポート付きパケットで送信される。 一方、無線通信の遅延はFedRWの探査を妨げる。 そこで我々は,遅延制約下でのトレーニング損失を最小限に抑えるために,学習,RWパス選択,送信パラメータチューニングを統合した共同最適化問題を定式化する。 信頼できない無線ネットワーク上でのFedRWの収束期待値の上限を導出することにより、タスクタイプやモデルアーキテクチャに非依存な一般的な形式に問題を還元する。 次に、サーバまたはクライアントがパケットサイズと再送信の最大回数をローカルで最適化し、動的プルーニングを用いたレジリエンス対応ビームサーチにより、信頼性と拡張性のある次ホップノードを効率的に選択する分散ソリューションを提案する。 シミュレーションの結果、FedRWは最先端のベースラインよりも2.26%-9%高い精度を実現していることがわかった。 さらに、共同最適化されたFedRWは、ベースラインよりも少なくとも2.78%高い精度で収束する。

関連論文リスト

• Resilient Decentralized Wireless Federated Learning via Gradient Tracking with AdamW [41.35060510410376]
  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。
  論文  参考訳（メタデータ） (2026-08-26T08:46:46Z)
• 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)
• Joint Routing and Model Pruning for Decentralized Federated Learning in Bandwidth-Constrained Multi-Hop Wireless Networks [16.79625047908881]
  分散連合学習(D-FL)は、中央サーバーなしでプライバシ保護トレーニングを可能にする。 本稿では,ルーティング経路とプルーニング率を最適化し,通信遅延を所定の範囲内で維持する共同ルーティング・アンド・プルーニングフレームワークを提案する。 提案手法は,未処理システムと比較して平均伝送遅延を27.8%削減し,テスト精度を約12%向上することを示した。
  論文  参考訳（メタデータ） (2026-03-16T12:25:27Z)
• 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)
• Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks [77.17664010626726]
  低高度インテリジェントネットワーク(LAIN)における複数のUAVクラスタによるルーティングに焦点を当てる。 潜在的な脅威によるダメージを最小限に抑えるため,ソフトウェア定義の周辺技術とブロックチェーン技術を用いたゼロトラストアーキテクチャを提案する。 提案手法は,平均E2E遅延を59%削減し,TSRを29%改善することを示した。
  論文  参考訳（メタデータ） (2026-02-27T04:30:35Z)
• A Federated Fine-Tuning Paradigm of Foundation Models in Heterogenous Wireless Networks [43.049216349313575]
  エッジデバイスは、基地局とのファインチューニングのためのLoRAモジュールを動的に切り替え、異種伝送の影響を緩和する。 計算複雑性の問題を解決するために,オンライン最適化アルゴリズムを開発した。 SST-2およびQNLIデータセットのシミュレーション結果は、試験精度とエネルギー効率における性能向上を示す。
  論文  参考訳（メタデータ） (2025-09-05T06:38:36Z)
• Biased Federated Learning under Wireless Heterogeneity [7.3716675761469945]
  Federated Learning(FL)は計算のための有望なフレームワークであり、プライベートデータを共有せずに協調的なモデルトレーニングを可能にする。 既存の無線計算処理では,(1)無線信号重畳を利用するOTA(Over-the-air)と(2)収束のためのリソースを割り当てるOTA(Over-the-air)の2つの通信戦略が採用されている。 本稿では,新しいOTAおよびデジタルFL更新を提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:55:14Z)
• 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)
• Asynchronous Federated Stochastic Optimization for Heterogeneous Objectives Under Arbitrary Delays [1.9766522384767224]
  underlineAsynchunderlineRonous underlineExact underlineAveraging (textscAREA) textscAREAは勾配推定よりもモデル残差を通信し、勾配反転への露出を減らす。 最初は、最低または最大ではなく、平均的なクライアント更新頻度でスケールするレートを取得しました。
  論文  参考訳（メタデータ） (2024-05-16T14:22:49Z)
• 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)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Harnessing Wireless Channels for Scalable and Privacy-Preserving Federated Learning [56.94644428312295]
  無線接続は、フェデレートラーニング(FL)の実現に有効である Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。 A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。 これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
  論文  参考訳（メタデータ） (2020-07-03T16:31:15Z)

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。