Fugu-MT 論文翻訳(概要): Proportional-Fair Resource Allocation and Dual-Threshold Early-Exit Inference for Secure Cooperative Multi-Layer Edge Intelligence

論文の概要: Proportional-Fair Resource Allocation and Dual-Threshold Early-Exit Inference for Secure Cooperative Multi-Layer Edge Intelligence

arxiv url: http://arxiv.org/abs/2609.15847v1
Date: Mon, 14 Sep 2026 16:41:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:06.516328
Title: Proportional-Fair Resource Allocation and Dual-Threshold Early-Exit Inference for Secure Cooperative Multi-Layer Edge Intelligence
Title（参考訳）: 安全協調型多層エッジインテリジェンスにおける資源配分と2次元初期出力推定
Abstract要約: 本稿では,協調ユーザ機器(UE)-エッジサーバ(ES)-クラウドシステムにおけるイベントトリガー推論のためのセキュアな無線エッジインテリジェンスフレームワークを提案する。 UE--ESアソシエーション、無線および処理リソース、信頼性閾値を協調的に最適化する、比例フェアユーティリティ問題を定式化する。初期のMobileNetV2とShuffleNetV2による数値的な結果は、Sum-Utilityベンチマークに近い集約ユーティリティによるほぼ完全なフェアネスを示し、セキュリティによって引き起こされたリソースの断片化を明らかにし、テスト構成において0.1秒以下の中央値の解時間を持つ6～144 UEのStage-Aスケーラビリティを示す。
参考スコア（独自算出の注目度）: 9.686757288356816
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes FREDI (Fair Resource Allocation for Edge Dual-Threshold Inference), a secure wireless edge-intelligence framework for event-triggered inference in a cooperative user equipment (UE)--edge server (ES)--cloud system. Each UE performs early-exit convolutional neural network (CNN) screening using dual confidence thresholds, while critical events are securely offloaded to an edge server for detailed classification. We formulate a proportionally-fair utility maximization problem that jointly optimizes UE--ES association, wireless and processing resources, and confidence thresholds. FREDI decomposes the problem into proportional-fair resource allocation and dual-threshold inference optimization. We prove that the detected-critical event set is set-monotone non-increasing in both thresholds, and exploit the finite empirical confidence domain for exact threshold optimization. An empirical resource--utility response envelope yields a computable global suboptimality bound and a sufficient condition for global optimality. By pre-eliminating infeasible UE--ES pairs and exactly projecting out bandwidth and transmit-power variables, the resource-allocation subproblem is reduced to a mixed-integer exponential-cone program solvable to the certified global optimality within a prescribed gap. Numerical results with early-exit MobileNetV2 and ShuffleNetV2 demonstrate near-perfect UE fairness with aggregate utility close to a Sum-Utility benchmark, reveal security-induced resource fragmentation, and demonstrate the Stage-A scalability from 6 to 144 UEs with median solving time below 0.1~s in the tested configurations.
Abstract（参考訳）: 本稿では、協調ユーザ機器(UE)-エッジサーバ(ES)-クラウドシステムにおけるイベントトリガー型推論のためのセキュアな無線エッジインテリジェンスフレームワークであるFREDI(Fair Resource Allocation for Edge Dual-Threshold Inference)を提案する。各UEは、二重信頼しきい値を使用して早期排他的畳み込みニューラルネットワーク(CNN)スクリーニングを行う一方、クリティカルイベントは詳細な分類のためにエッジサーバに安全にオフロードされる。本稿では,UE-ESアソシエーション,無線・処理資源,信頼閾値を協調的に最適化する,比例対効果の最大化問題を定式化する。 FREDIは、問題を比例フェアリソース割り当てと二重閾値推論最適化に分解する。検出された臨界事象集合は、両方のしきい値においてセットモノトンが増加しないことを証明し、正確なしきい値最適化のために有限経験的信頼領域を利用する。経験的資源利用応答エンベロープは計算可能な大域的準最適境界と大域的最適性に十分な条件を与える。有効でないUE--ESペアを事前に除去し、帯域幅と送信パワー変数を正確に投影することにより、リソース割り当てサブプロブレムを所定のギャップ内で、認証されたグローバル最適性に解決可能な混合整数指数コーンプログラムに還元する。初期のMobileNetV2とShuffleNetV2による数値的な結果は、Sum-Utilityベンチマークに近い集約ユーティリティによるほぼ完全なUEフェアネスを示し、セキュリティによって引き起こされたリソースの断片化を明らかにし、テスト構成で0.1~1秒未満の中央値の解決時間を持つ6～144UEのStage-Aスケーラビリティを示す。

関連論文リスト

OmniISR: A Unified Framework for Centralized and Federated Learning via Intermediate Supervision and Regularization [58.03221830946145]
我々は、純粋なCL、純粋なFL、ハイブリッドCL-FLトレーニングモードを融合する統合フレームワークであるOmniISRを提案する。我々は,OmniISRが集中型パラダイムとフェデレーション型パラダイムの両方において,モデル性能を一貫して改善していることを示す。
論文参考訳（メタデータ） (2026-05-19T04:13:27Z)
M$^2$FedAQI: Multimodal Federated Learning for Air Quality Prediction on Heterogeneous Edge Devices [2.2121027148817314]
M$2$FedAQIは、異種エッジデバイス間での分散空気品質指標(AQI)予測のための軽量なマルチモーダルフェデレーションフレームワークである。 M$2$FedAQIは、既存のアプローチを一貫して上回り、精度が最大11.0%、AUCが3.53%、F1スコアが12.2%、R2$が18.0%向上した。 TLSベースの認証は、セキュアなクライアント参加を保証し、FL通信チャネルを不正なサードパーティアクセスから保護するために組み込まれている。
論文参考訳（メタデータ） (2026-05-10T20:21:49Z)
Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。 FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
論文参考訳（メタデータ） (2026-03-30T11:37:46Z)
Joint Optimization of Model Partitioning and Resource Allocation for Anti-Jamming Collaborative Inference Systems [52.842088497389746]
この手紙は、悪意のあるジャマーの存在下での、アンチジャミングの協調推論システムに焦点を当てている。まず、ジャミングとDNNパーティショニングがデータ回帰による推測精度に与える影響を解析する。問題を3つのサブプロブレムに分解する,効率的な交互最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2026-03-03T03:52:52Z)
A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-23T16:12:02Z)
Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文参考訳（メタデータ） (2026-02-01T05:54:59Z)
A transfer learning approach for automatic conflicts detection in software requirement sentence pairs based on dual encoders [5.780557526613627]
本稿では,SBERTとSimCSEをベースとしたTransferable Software Requirement Conflict Detection Frameworkを提案する。提案したフレームワークは、マクロF1と重み付きF1のスコアをドメイン内設定で10.4%改善し、クロスドメインシナリオでマクロF1を11.4%向上させる。
論文参考訳（メタデータ） (2025-11-28T09:16:35Z)
Quantum Machine Learning for Secure Cooperative Multi-Layer Edge AI with Proportional Fairness [0.8471366736328811]
我々は、古典的な単一デバイス推論を分散マルチデバイス設定に拡張するために、レアイベント検出のためのデュアルスレッド早期出力戦略を構築した。連成最適化フレームワークは,通信,エネルギー,公正性制約の下での分類ユーティリティを最大化する。
論文参考訳（メタデータ） (2025-07-20T22:38:41Z)
Access Point Deployment for Localizing Accuracy and User Rate in Cell-Free Systems [22.49391459228811]
次世代モバイルネットワークは、ユビキタスなカバレッジとネットワークセンシングを提供するように設計されている。細胞フリーは、この展望を実現するための有望な技術である。本稿では,セルフリーシステムにおけるポイント(AP)配置の問題に取り組むことを目的とする。
論文参考訳（メタデータ） (2024-12-10T01:22:32Z)
Semi-Synchronous Personalized Federated Learning over Mobile Edge Networks [88.50555581186799]
我々は,モバイルエッジネットワーク上での半同期パーソナライズフェデレーション(PerFedS$2$)と呼ばれる半同期PFLアルゴリズムを提案する。我々は、グローバルラウンド当たりの参加者数とラウンド数の観点から、PerFedS2の収束率の上限を導出する。 PerFedS2はトレーニング時間を節約し、トレーニング損失の収束を保証する。
論文参考訳（メタデータ） (2022-09-27T02:12:43Z)

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。