論文の概要: MECAIL: Communication-Aware Incremental Learning for Object Detection with 14.6 KB Spatiotemporal Experts
- arxiv url: http://arxiv.org/abs/2609.24455v1
- Date: Mon, 21 Sep 2026 12:02:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.273364
- Title: MECAIL: Communication-Aware Incremental Learning for Object Detection with 14.6 KB Spatiotemporal Experts
- Title（参考訳）: MECAIL:14.6KBの時空間エキスパートによる物体検出のためのコミュニケーション認識インクリメンタルラーニング
- Abstract要約: インテリジェントトランスポートシステムは、動的環境における全体的なパフォーマンスを継続的に改善するためにインクリメンタルラーニング(IL)を必要とする。
本稿では, 固定ベースモデルを駐車場, ガソリンスタンド, フェリー, 建設現場などの特定の状況に適応させる, 密集した特殊なモジュールカバレッジを得る手法を提案する。
1モジュールあたり14.6KBの厳密な制限を確立し、最初のTCPウィンドウに適合し、UDP/BTPフラグメンテーションを最小限に抑える。
さらに、この厳密な要件を満たす最初の方法である、コミュニケーション・アウェア・インクリメンタル・ラーニングのためのMixture-of-Experts(MECAIL)を紹介します。
- 参考スコア（独自算出の注目度）: 64.3606916844498
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Intelligent transportation systems require Incremental Learning (IL) to continually improve their overall performance in dynamic environments. However, most edge devices lack the computational resources to support on-device IL, requiring updates to be transmitted from centralized servers. We propose using this setup to obtain dense, specialized module coverage that adapts a fixed base model to specific spatiotemporal contexts, such as parking lots, gas stations, ferries, or construction sites. However, in order to reliably transmit these modules to the edge device, using TCP, UDP, and BTP over V2X, Wi-Fi, and 2G-5G hardware, we establish a strict limit of 14.6 KB per module to fit within the first TCP window and to minimize UDP/BTP fragmentation. We further introduce Mixture-of-Experts for Communication-Aware Incremental Learning (MECAIL), the first method that meets this strict requirement, in which each new domain or environment is served by a small expert network that adapts the base model. We validate MECAIL on D-RICO and ODinW-13, where it largely matches the performance of parameter-heavy approaches while enabling practical, bandwidth-efficient large-scale deployment. This allows comprehensive coverage by experts for highly specific, focused, and temporary situations.
- Abstract（参考訳）: インテリジェントトランスポートシステムは、動的環境における全体的なパフォーマンスを継続的に改善するためにインクリメンタルラーニング(IL)を必要とする。
しかしながら、ほとんどのエッジデバイスは、デバイス上のILをサポートするための計算リソースが欠如しており、集中型サーバから更新を送信する必要がある。
本稿では, 駐車場, ガソリンスタンド, フェリー, 建設現場など, 特定の時空間に固定ベースモデルを適応させる, 密集した特殊なモジュールカバレッジを得ることを提案する。
しかし,TCP,UDP,BTPをV2X,Wi-Fi,および2G-5Gハードウェア上で使用することにより,これらのモジュールをエッジデバイスに確実に送信するためには,最初のTCPウィンドウに収まるようにモジュールあたり14.6KBの制限を設け,UDP/BTPフラグメンテーションを最小限に抑える。
さらに,この厳密な要件を満たす最初の手法であるMixture-of-Experts for Communication-Aware Incremental Learning (MECAIL)を紹介する。
D-RICOおよびODinW-13上でのMECAILの有効性を検証する。
これにより、専門家による、高度に特定され、集中され、一時的な状況に対する包括的カバレッジが可能になる。
関連論文リスト
- FoMoE: Breaking the Full-Replica Barrier with a Federation of MoEs [16.652851143065213]
FoMoEは、労働者間で専門家層を分割し、地元の訓練中に非居住者の専門家をスキップすることで、フルレプリカパラダイムを破るシステムである。
本稿では,FoMoEが分散データ並列性(DDP)の通信コストを最大1.42倍に削減し,分散データ並列性(DDP)を最大45.44倍に抑えることを示す。
論文 参考訳（メタデータ） (2026-06-17T12:50:07Z) - Profiling-Driven Adaptive Distributed Transformer Inference on Embedded Edge Deployment [60.442064966340524]
本稿では、WiFi経由で接続されたNVIDIA Jetson Orin Nanoデバイスに関するプロトタイプ研究を行う。
主な発見は、主なボトルネックは、ネットワーク帯域幅だけでなく、通信中のCPU-GPUステージングである。
実験によると、この戦略はフルテンソル交換と比較して遅延を65%-77%減らし、エネルギー消費を34%-52%減らしている。
論文 参考訳（メタデータ） (2026-05-25T10:39:28Z) - One-Shot Secure Aggregation: A Hybrid Cryptographic Protocol for Private Federated Learning in IoT [0.0]
Hyb-Aggは軽量で通信効率の良いセキュアアグリゲーションプロトコルである。
マルチキーCKKS (MK-CKKS) と楕円曲線Diffie-Hellman (ECDH) ベースの加算マスキングを統合している。
Raspberry Pi 4を含む高性能およびリソース制約のあるデバイス上でHyb-Aggを実装し,評価する。
論文 参考訳（メタデータ） (2025-11-28T15:01:26Z) - CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。
CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。
トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
論文 参考訳（メタデータ） (2025-09-24T07:54:01Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - Leveraging Fine-Tuned Retrieval-Augmented Generation with Long-Context Support: For 3GPP Standards [4.334100270812517]
大型言語モデル(LLM)は電気通信の技術的標準と競合する。
Phi-2小言語モデル(SLM)に基づく細調整検索拡張生成(RAG)システムを提案する。
本実験は,通信分野における既存の質問応答手法よりも大幅に改善されたことを示す。
論文 参考訳（メタデータ） (2024-08-21T17:00:05Z) - Sparse Federated Training of Object Detection in the Internet of
Vehicles [13.864554148921826]
物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである
現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。
そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-07T08:58:41Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - Multi-Exit Semantic Segmentation Networks [78.44441236864057]
本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。
パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。
接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
論文 参考訳（メタデータ） (2021-06-07T11:37:03Z)
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。