論文の概要: FedPGT: Progressive Gradient Transmission for Vehicular Federated Learning over Time-Varying Channels
- arxiv url: http://arxiv.org/abs/2609.18089v1
- Date: Wed, 16 Sep 2026 03:48:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.628322
- Title: FedPGT: Progressive Gradient Transmission for Vehicular Federated Learning over Time-Varying Channels
- Title（参考訳）: FedPGT: 時間変化チャネル上でのベネラルフェデレーション学習のための進行的なグラディエント伝送
- Abstract要約: VFL(Vehicular Federated Learning)は、インテリジェントトランスポートシステムのための、プライバシ保護のための協調モデルトレーニングを可能にする。
本稿では,VFLの時変チャネル上でのプログレッシブ勾配伝送方式であるFedPGTを提案する。
提案手法は,CIFAR-10画像分類タスクにおける3.65%の精度向上と,Argoverse軌道予測タスクにおける平均変位誤差の12.66%削減を実現する。
- 参考スコア（独自算出の注目度）: 9.82411943569658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicular federated learning (VFL) enables privacy-preserving collaborative model training for intelligent transportation systems, where communication resource allocation and gradient sparsification techniques have been explored to reduce communication overhead. However, vehicle mobility leads to rapidly varying channel conditions and transmission capacity, rendering predetermined resource allocation and sparsification decisions ineffective. In this paper, we propose FedPGT, a progressive gradient transmission scheme for VFL over time-varying channels, where vehicles progressively transmit high-magnitude gradient entries in response to instantaneous channel conditions. We establish a convergence bound that characterizes the impact of transmitted gradient entries and reveals diminishing-return behavior governed by a power-law decay. Motivated by this result, we formulate a stochastic optimization problem for online decision-making, where the main challenge lies in a cumulatively coupled, non-separable objective. To handle this challenge, we introduce per-slot surrogate transmission variables to decouple the long-term dependence across time slots and convert the original objective into an additive per-slot optimization problem, enabling a Lyapunov drift-plus-penalty approach for online scheduling. We further develop a low-complexity resource allocation algorithm for efficient online implementation. Experimental results demonstrate that the proposed scheme achieves a 3.65% accuracy improvement on the CIFAR-10 image classification task and a 12.66% reduction in average displacement error on the Argoverse trajectory prediction task compared with state-of-the-art baselines, demonstrating its applicability to diverse learning tasks under highly dynamic vehicular environments.
- Abstract（参考訳）: VFL(Vehicular Federated Learning)は、インテリジェントトランスポートシステムのためのプライバシー保護型協調モデルトレーニングを可能にする。
しかし、車両の移動性は急速に変化するチャネル条件と送信能力につながり、所定の資源割り当てと分散化の決定は効果がない。
本稿では,VFLの時変チャネル上での進行勾配伝送方式であるFedPGTを提案する。
我々は、送信された勾配成分の影響を特徴付ける収束境界を確立し、パワー-ロー崩壊によって支配される逆戻り挙動の減少を明らかにする。
この結果により、オンライン意思決定における確率的最適化問題を定式化し、その主な課題は累積的に結合された非分離的な目的に置かれる。
この課題に対処するために、スロットごとの送信変数を導入し、タイムスロット間の長期依存を分離し、元の目的を追加的なスロットごとの最適化問題に変換し、オンラインスケジューリングにおけるリアプノフのドリフト・プラス・ペナルティアプローチを可能にする。
さらに、効率的なオンライン実装のための低複雑さリソース割当アルゴリズムを開発した。
実験の結果,提案手法はCIFAR-10画像分類タスクにおいて3.65%の精度向上を実現し,Argoverse軌道予測タスクにおける平均変位誤差を12.66%削減し,高動的車両環境下での多様な学習タスクへの適用性を実証した。
関連論文リスト
- Learn for Variation: Variationally Guided AAV Trajectory Learning in Differentiable Environments [21.594684328904403]
Learn for Variation (L4V)は勾配インフォームドな軌道学習フレームワークである。
高分散スカラー報酬信号を高密度で解析的に基底化されたポリシー勾配に置き換える。
L4Vは、ミッション完了時間、平均送信速度、訓練コストにおいて、代表ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-03-19T12:57:42Z) - 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) - Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。
オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。
動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
論文 参考訳（メタデータ） (2025-10-11T05:11:21Z) - Dynamic Scheduling for Vehicle-to-Vehicle Communications Enhanced Federated Learning [14.942677904783759]
車両のエネルギー制約と移動性を考慮して,VFL訓練性能を最適化する最適化問題を定式化する。
本稿では,V2Vを拡張した動的スケジューリングアルゴリズムを提案する。
提案アルゴリズムは,CIFAR-10データセットの画像分類精度を4.20%向上し,Argoverse軌道予測データセットの平均変位誤差を9.82%削減する。
論文 参考訳（メタデータ） (2024-06-25T11:15:53Z) - Gradient Sparsification for Efficient Wireless Federated Learning with
Differential Privacy [25.763777765222358]
フェデレートラーニング(FL)により、分散クライアントは、生データを互いに共有することなく、機械学習モデルを協調的にトレーニングできる。
モデルのサイズが大きくなるにつれて、送信帯域の制限によるトレーニングのレイテンシが低下し、個人情報が劣化すると同時に、差分プライバシ(DP)保護を使用する。
我々は、収束性能を犠牲にすることなく、トレーニング効率を向上させるために、FLフレームワーク無線チャネルのスペース化を提案する。
論文 参考訳（メタデータ） (2023-04-09T05:21:15Z) - Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification
in the Presence of Data Heterogeneity [60.791736094073]
通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。
本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。
提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
論文 参考訳（メタデータ） (2023-02-19T17:42:35Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。
DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。
その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2021-06-08T16:27:04Z)
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。