論文の概要: Channel-Aware Selection of Folded Bloom Filters for Distributed Systems

• arxiv url: http://arxiv.org/abs/2609.14458v1
• Date: Sun, 13 Sep 2026 12:03:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.818061
• Title: Channel-Aware Selection of Folded Bloom Filters for Distributed Systems
• Title（参考訳）: 分散システムのための折りたたみブルームフィルタのチャネルアウェア選択
• Abstract要約: ブルームフィルタ伝送は、通信に制約のある分散システムにおいてかなりのオーバーヘッドを課す可能性がある。 本稿では,ORの折りたたみ表現におけるチャネル認識の選択について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Periodic Bloom-filter transmission can impose substantial overhead in communication-constrained distributed systems. Lossless compression preserves membership behavior but provides a single transmission size, whereas established OR folding produces smaller representations with higher false-positive rates (FPRs) while preserving the no-false-negative property. This paper investigates channel-aware selection among OR-folded representations. The sender retains an unchanged canonical filter, constructs a catalog satisfying a maximum FPR, and selects the FPR-qualified representation with the largest retained length supported by the communication resources available at each reporting opportunity. Unlike folding driven principally by cardinality and false-positive constraints, selection is driven by time-varying communication conditions. Using two phishing URL datasets, the framework is evaluated under Five-State Markov Capacity, Gilbert--Elliott burst-error, and Rayleigh block-fading models. Channel-aware folding improves communication efficiency and receiver freshness relative to complete-filter and lossless-compression baselines when communication opportunities vary substantially. Under the more favorable Gilbert--Elliott model, it remains competitive in efficiency while maintaining the freshest receiver state. These results show that FPR-qualified folded views provide useful transmission operating points when a recent lower-fidelity update is preferable to delaying a larger representation.
• Abstract（参考訳）: 周期的ブルームフィルタ伝送は、通信制約のある分散システムにおいてかなりのオーバーヘッドを課す可能性がある。 ロスレス圧縮はメンバーシップの挙動を保ちながら単一の送信サイズを提供する一方、確立されたORフォールディングは偽陽性率(FPR)の高いより小さな表現を生成し、非偽陰性特性を保っている。 本稿では,ORの折りたたみ表現におけるチャネル認識の選択について検討する。 送信者は、変更のない標準フィルタを保持し、最大FPRを満たすカタログを構築し、各報告機会で利用可能な通信リソースがサポートする最大保持長のFPR修飾表現を選択する。 主に基数と偽陽性の制約によって駆動される折りたたみとは異なり、選択は時間変化の通信条件によって駆動される。 2つのフィッシングURLデータセットを使用して、フレームワークをFive-State Markov Capacity、Gilbert-Elliott burst-error、Rayleighブロックフェーディングモデルで評価する。 チャネル対応折り畳みは、通信機会が大幅に変化すると、完全フィルタおよび無圧縮ベースラインに対する通信効率と受信鮮度を向上させる。 より好ましいギルバート-エリオットモデルの下では、新しいレシーバー状態を維持しながら効率を保っている。 これらの結果から、FPR対応の折り畳みビューは、より大きな表現を遅らせるよりも、最近の低忠実度更新が好ましい場合に、有用な送信操作ポイントを提供することが示された。

関連論文リスト

• Partially-Observable Transmission Control for UAV-Enabled Federated Learning in IoT Networks [2.16271346696239]
  無人航空機(UAV)対応の連邦学習(FL)は、大規模なIoTデプロイメントに柔軟でオンデマンドなエッジインテリジェンスを提供する。 共有されたアンライセンスバンドで運用することで、アップリンク更新のデリバリが干渉的に結合され、信頼性が低下する。 バッファオーバーフロー,遅延違反,送信エラーをキャプチャするパケットレベルの伝送フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-08-01T20:28:08Z)
• Beyond Pairwise Preferences: Listwise Reward-Aware Alignment for Diffusion Models [73.08789211016567]
  Diffusion LAIRは、拡散モデルに対する報酬を考慮したリストワイズ選好最適化手法である。 実験により、テキスト・ツー・イメージ生成、合成生成、画像編集ベンチマークにおいて、強い優先最適化ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-26T03:09:24Z)
• FED-FSTQ: Fisher-Guided Token Quantization for Communication-Efficient Federated Fine-Tuning of LLMs on Edge Devices [12.523170571488711]
  フェデレートされた微調整は、プライベートデータを集中することなく、エッジデバイスに大規模言語モデル(LLM)を適用する実践的な方法を提供する。 我々は,Fed-FSTQを提案する。Fed-FSTQは,通信効率のよいLLMファインチューニングのための,フィッシャー誘導型トークン量子化システムプリミティブである。 また,Fed-FSTQは,標準のLORAベースラインに対して,固定品質閾値に達するために必要な累積アップリンクトラフィックを46倍に削減し,エンドツーエンドのウォール・ツー・タイムの精度を52%向上させることを示した。
  論文  参考訳（メタデータ） (2026-04-28T09:29:41Z)
• WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
  WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。 WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。 NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
  論文  参考訳（メタデータ） (2026-04-20T01:29:56Z)
• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• Deep Q-Network Based Resilient Drone Communication:Neutralizing First-Order Markov Jammers [0.0]
  ディープQネットワークベースの送信機は、第1次リアクティブジャミングに直面しながら、次の周波数ホッピングチャネルを連続的に選択する。 自己学習により,ジャミングの予測的優位性を効果的に中和する均一なランダム周波数ホッピングポリシーを学習する。
  論文  参考訳（メタデータ） (2026-01-01T14:16:40Z)
• Large Speech Model Enabled Semantic Communication [58.027223937172955]
  大規模音声モデルにより意味コミュニケーション(LargeSC)が可能となった。 我々は、大きなモデルに埋め込まれた豊富な意味的知識を活用し、損失のあるチャネル上で適応的な伝達を可能にする。 システムは、550bpsから2.06kbpsまでの帯域幅をサポートし、パケット損失率の高い音声品質において、従来のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-04T11:58:08Z)
• Soft-Label Caching and Sharpening for Communication-Efficient Federated Distillation [2.1617267802631366]
  フェデレートラーニング(FL)は、分散クライアント間のコラボレーティブモデルトレーニングを可能にし、データをローカルに保つことでプライバシを向上する。 同期ソフトラベルキャッシングと拡張エントロピー削減アグリゲーション(Enhanced ERA)機構を統合した新しいフレームワークであるSCARLETを提案する。 SCARLETはキャッシュされたソフトラベルを再利用することで冗長な通信を最小化し、既存の方法と比較して最大50%の通信コスト削減を実現している。
  論文  参考訳（メタデータ） (2025-04-28T09:04:30Z)
• Diffusion-Driven Semantic Communication for Generative Models with Bandwidth Constraints [66.63250537475973]
  本稿では,帯域制限付き生成モデルのための,高度なVAEベースの圧縮を用いた拡散駆動型セマンティック通信フレームワークを提案する。 実験の結果,ピーク信号対雑音比 (PSNR) などの画素レベルの指標と,LPIPS (Learning Perceptual Image patch similarity) のような意味的指標が大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-26T02:34:25Z)
• Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
  フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。 本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T07:25:21Z)
• Quantized Federated Learning under Transmission Delay and Outage Constraints [30.892724364965005]
  フェデレートラーニング(Federated Learning)は、無線エッジ内の巨大なモバイルデバイスと協調して機械学習モデルをトレーニングする、実行可能な分散学習パラダイムである。 無線リソースが限られている実用的なシステムでは、多数のモデルパラメータの送信は量子化エラー(QE)と送信停止(TO)に必然的に悩まされる。 我々は,無線リソースと量子化ビットをクライアント間で共同で割り当て,QEを最小化するとともに,クライアントがTO確率を持つようにする,堅牢なFLスキームFedTOEを提案する。
  論文  参考訳（メタデータ） (2021-06-17T11:29:12Z)

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。