論文の概要: Sylvas: Synergistic Learning Value based Device Scheduling in Federated Continual Learning

• arxiv url: http://arxiv.org/abs/2609.15763v1
• Date: Mon, 14 Sep 2026 15:48:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.477321
• Title: Sylvas: Synergistic Learning Value based Device Scheduling in Federated Continual Learning
• Title（参考訳）: Sylvas: 連立学習における相乗的学習価値に基づくデバイススケジューリング
• Abstract要約: 本稿では、シナジスティックな学習価値に基づくデバイススケジューリングフレームワークであるSylvasについて述べる。 Sylvasは分散データの学習価値を、分散値とラベル値の2つの観点から評価する。 これらの因子を相乗的学習値に組み込むことで、通信やリソース制約を満たしつつ、高い学習値のデバイスをスケジュールする。
• 参考スコア（独自算出の注目度）: 9.82411943569658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated continual learning (FCL) enables shared global models to continuously adapt to distributed and non-stationary data streams, making it important for Internet of Things applications such as intelligent transportation, industrial monitoring, and unmanned systems. Under spatio-temporal data distribution dynamics and label scarcity, a key challenge is how to quantify the contribution of each edge device to global learning performance and schedule the most valuable devices under resource constraints for timely model updating. This article presents Sylvas, a synergistic learning value based device scheduling framework for FCL at the wireless edge. Sylvas evaluates the learning value of distributed data from two perspectives: distributional value, which characterizes the contribution of device data to global model learning from a spatio-temporal distribution perspective, and label value, which captures the quantity and reliability tradeoff of pseudo-labeled data. By integrating these factors into a synergistic learning value metric, Sylvas schedules devices with high learning value while satisfying communication and computation resource constraints. Case studies demonstrate that Sylvas supports timely model adaptation under spatio-temporal distribution dynamics and effectively exploits unlabeled data.
• Abstract（参考訳）: フェデレートされた連続学習(FCL)により、共有グローバルモデルが分散および非定常データストリームに継続的に適応し、インテリジェントトランスポートや産業監視、無人システムといったモノのインターネットアプリケーションにとって重要である。 時空間データ分散のダイナミクスとラベルの不足の下では、各エッジデバイスのグローバルな学習パフォーマンスへの貢献を定量化し、タイムリーなモデル更新のためのリソース制約の下で最も価値のあるデバイスをスケジュールする方法が重要な課題である。 本稿では、無線エッジにおけるFCLのための相乗的学習価値に基づくデバイススケジューリングフレームワークであるSylvasについて述べる。 Sylvasは、分散データの学習価値を2つの視点から評価する。これは、時空間分布の観点からのグローバルモデル学習へのデバイスデータの寄与を特徴付ける分布値と、擬似ラベル付きデータの量と信頼性のトレードオフをキャプチャするラベル値である。 これらの因子を相乗的学習値メトリックに統合することにより、Sylvasは通信と計算リソースの制約を満たすとともに、高い学習値のデバイスをスケジュールする。 ケーススタディでは、Sylvasは時空間分布力学の下でタイムリーなモデル適応をサポートし、ラベルのないデータを効果的に活用している。

関連論文リスト

• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Stochastic Coded Federated Learning: Theoretical Analysis and Incentive Mechanism Design [18.675244280002428]
  我々は、コード化されたコンピューティング技術を活用する新しいFLフレームワーク、コード付きフェデレーションラーニング(SCFL)を提案する。 SCFLでは、各エッジデバイスがプライバシを保存するコード化されたデータセットをサーバにアップロードする。 SCFLは、与えられた時間内でより良いモデルを学び、ベースライン方式よりも優れたプライバシーとパフォーマンスのトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-11-08T09:58:36Z)
• A Deep-Learning Intelligent System Incorporating Data Augmentation for Short-Term Voltage Stability Assessment of Power Systems [9.299576471941753]
  本稿では,電力系統のSTVSAにデータ拡張を取り入れた新しいディープラーニング知能システムを提案する。 半教師付きクラスタ学習を利用して、ラベル付きサンプルを元の小さなデータセットで取得する。 条件付き最小二乗生成逆数ネットワーク(LSGAN)ベースのデータ拡張を導入し、元のデータセットを拡張する。
  論文  参考訳（メタデータ） (2021-12-05T11:40:54Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
  フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。 本稿では,FL に対応する SV の変種を提案する。
  論文  参考訳（メタデータ） (2020-09-14T04:37:54Z)
• Federated Self-Supervised Learning of Multi-Sensor Representations for Embedded Intelligence [8.110949636804772]
  スマートフォン、ウェアラブル、IoT(Internet of Things)デバイスは、教師付きモデルを学習するための集中リポジトリに蓄積できない豊富なデータを生成する。 本稿では,ウェーブレット変換に基づくテキストカルグラム・信号対応学習という自己教師付きアプローチを提案し,ラベルなしセンサ入力から有用な表現を学習する。 さまざまなパブリックデータセットのマルチビュー戦略を用いて,学習機能の品質を広範囲に評価し,すべての領域で高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-07-25T21:59:17Z)

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。