論文の概要: QoS-Aware Federated Learning for Multimodal In-Cabin Interaction in Smart Vehicles
- arxiv url: http://arxiv.org/abs/2609.20123v1
- Date: Thu, 17 Sep 2026 12:20:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.256301
- Title: QoS-Aware Federated Learning for Multimodal In-Cabin Interaction in Smart Vehicles
- Title（参考訳）: QoS-Aware Federated Learning for Multimodal In-Cabin Interaction in Smart Vehicles
- Abstract要約: フェデレートラーニング(FL)アプローチは、リソースの非対称性を考慮できない厳格な同期ラウンドを強制し、タイミング違反とエネルギー枯渇につながる。
本稿では,FedQoSを提案する。FedQoSは,2相ゲーティング機構によって局所的な計算をグローバル通信から切り離す,非同期なイベントトリガー付きFLフレームワークである。
マルチモーダル車種データセットのFedQoS実験は、FedAvgと比較して限界性能損失のみのパーソナライズされた精度を達成すると同時に、違反を大幅に低減し、通信オーバーヘッドを76.7%削減し、レイテンシを26.0%削減し、リアルタイムの精度と効率バランスを極めて良好に示す。
- 参考スコア（独自算出の注目度）: 0.3779860024918729
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern smart vehicles leverage multimodal sensors, ranging from high-bandwidth vision systems to low-rate physiological monitors, to provide personalized in-cabin services. However, integrating high-fidelity multimodal fusion with collaborative training is often hindered by the heterogeneous and time-varying Quality of Service (QoS) constraints of vehicular networks. Standard Federated Learning (FL) approaches enforce rigid synchronous rounds that fail to account for these resource asymmetries, leading to safety-critical timing violations and energy exhaustion. In this paper, we propose FedQoS, a novel asynchronous, event-triggered FL framework that decouples local computation from global communication via a two-phase gating mechanism. First, we introduce a resource-aware training gate that initializes local learning only when sensing buffers and energy reserves meet safety thresholds, preventing ML tasks from compromising core vehicle mobility. Second, a QoS-aware transmission policy gates uplink updates based on an efficiency score that balances model novelty against instantaneous latency and energy costs. Locally, clients optimize an objective featuring a staleness-aware proximal term that dynamically adjusts the global anchor strength based on update age. Extensive experiments on multimodal vehicular datasets demonstrate that FedQoS achieves competitive personalized accuracy with only marginal performance loss compared to FedAvg, while substantially reducing QoS violations, cutting communication overhead by 76.7\%, and lowering latency cost by 26.0\%, demonstrating a highly favorable accuracy and efficiency balance for real-world vehicular deployments.
- Abstract（参考訳）: 現代のスマートカーは、高帯域ビジョンシステムから低レートの生理的モニターまで、多モードセンサーを活用して、パーソナライズされたインキャビンサービスを提供している。
しかし、高忠実度マルチモーダル融合と協調訓練を統合することは、車両ネットワークの不均一性と時間変化のQuality of Service(QoS)の制約によってしばしば妨げられる。
FL(Standard Federated Learning)アプローチは、これらのリソースの非対称性を考慮できない厳格な同期ラウンドを強制する。
本稿では,FedQoSを提案する。FedQoSは,2相ゲーティング機構によって局所的な計算をグローバル通信から切り離す,非同期なイベントトリガー付きFLフレームワークである。
まず、バッファや省エネを検知する場合のみ、ローカル学習を初期化するリソース対応トレーニングゲートを導入し、MLタスクが中核車のモビリティを損なうのを防ぐ。
第2に、QoS対応送信ポリシーは、モデルノベルティと瞬時遅延とエネルギーコストのバランスをとる効率スコアに基づいてアップリンク更新をゲートする。
局所的には、クライアントは、更新年齢に基づいてグローバルアンカー強度を動的に調整するスタレネス対応近位項を特徴とする目的を最適化する。
マルチモーダル車種データセットに関する大規模な実験により、FedQoSはFedAvgと比較して、競合するパーソナライズされた精度を達成し、QoS違反を著しく低減し、通信オーバーヘッドを76.7%削減し、遅延コストを26.0\%削減し、現実世界の車種展開において極めて良好な精度と効率バランスを示す。
関連論文リスト
- A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
車両の直接遠隔操作は重要な技術的ボトルネックに直面している。
通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。
本稿では,一方的な遠隔操作フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-11T01:51:08Z) - Mitigating Temporal Blindness in Kubernetes Autoscaling: An Attention-Double-LSTM Framework [0.0]
本稿では,作業負荷の予測と制御をアテンション強化型2重スタックLSTMアーキテクチャを介して統合する,安定性を考慮した自動スケーリングフレームワークを提案する。
このアプローチは90パーセントのレイテンシを約29%削減すると同時に,レプリカを39%削減することを示す。
これらの結果は, 生産エッジ環境における信頼性, 低ジッタ自動スケーリングの前提条件として, 深い注意記憶による時間的盲点の緩和が重要であることを確認した。
論文 参考訳（メタデータ） (2026-03-21T10:03:53Z) - DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。
DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
論文 参考訳（メタデータ） (2026-03-16T02:02:38Z) - 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 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) - Lyapunov Stability-Aware Stackelberg Game for Low-Altitude Economy: A Control-Oriented Pruning-Based DRL Approach [37.51135101684223]
無人航空機(UAV)は、ユーザからの多様なサービスを支援する重要な航空基地局として機能している。
このような異種ネットワークの有効性は、制限されたオンボードリソースと厳密な安定性要件の間の競合によってしばしば損なわれる。
本稿では,通信遅延が物理的制御安定性に与える影響を明示的にモデル化する,センシング・通信・通信・通信・通信のクローズドループフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-01T10:01:07Z) - Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection [0.6999740786886536]
車両小隊は、多車編成の調整を通じて、輸送効率と安全性の変革的な改善を約束する。
確率チェックや統計的手法に依存する従来の誤動作検出手法は、偽陽性(FP)率が高い。
Intention In Motion (AIMformer) は、車体プラトンにおけるリアルタイムな誤動作検出に適したトランスフォーマーベースのフレームワークである。
論文 参考訳（メタデータ） (2025-12-17T14:45:33Z) - Optimal Batch-Size Control for Low-Latency Federated Learning with Device Heterogeneity [30.53961003855146]
フェデレートラーニング(FL)は、第6世代(6G)ネットワークにおける協調機械学習の一般的なアプローチとして登場した。
FLアルゴリズムの展開は、自律運転、拡張現実、ヘルスケアなど、幅広いIoT(Internet-of-Things)アプリケーションを強化することが期待されている。
本稿では,収束性を確保しつつ,エンドツーエンド(E2E)学習遅延を最小限に抑える,バッチサイズ最適制御のための新しいC$2のフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-21T13:24:38Z) - Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-26T08:13:22Z)
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。