論文の概要: Over-the-Air Federated Learning in Heterogeneous Mobile Wireless Networks

• arxiv url: http://arxiv.org/abs/2609.32832v1
• Date: Sat, 26 Sep 2026 18:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 19:48:51.658473
• Title: Over-the-Air Federated Learning in Heterogeneous Mobile Wireless Networks
• Title（参考訳）: 不均一なモバイル無線ネットワークにおけるオーバー・ザ・エア・フェデレーション学習
• Abstract要約: オーバー・ザ・エア(Over-the-air)計算は、無線ネットワークに学習アルゴリズムをデプロイするためのスケーラブルで効率的なソリューションである。 我々は,アルゴリズム正規化を採用し,暗黙のゴシップを通じてデバイスのアップデートを均等に混合するFedOAGを提案する。
• 参考スコア（独自算出の注目度）: 56.36166282526799
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over-the-air computation has emerged as a scalable and efficient solution for deploying federated learning algorithms in wireless networks by exploiting waveform superposition for simultaneous model aggregation. Most existing work struggles with heterogeneous fading channels. These approaches either enforce unbiased updates from all devices or allow partial device contributions, requiring careful tuning of the convergence bound to mitigate bias under specific fading models. However, the former significantly amplifies receiver noise due to the weakest channel, whereas the latter is sensitive to fading model mismatch and converges only to a biased objective. To tackle these challenges, we propose FedOAG, which employs algorithmic components to automatically satisfy energy constraints via gradient normalization and evenly mix devices' updates through implicit gossiping. Importantly, FedOAG does not require transmission from all devices, nor does it rely on a specific fading model or knowledge of time-varying statistical channel distributions. We show that FedOAG converges to a stationary point of an unbiased non-convex objective at the best possible rate $O(1/\sqrt{T})$ for any stochastic first-order method. We corroborate our analysis with numerical experiments over dynamic wireless conditions on real-world datasets.
• Abstract（参考訳）: 無線ネットワークにフェデレートされた学習アルゴリズムをデプロイするためのスケーラブルで効率的な方法として,波形重畳を用いた同時モデルアグリゲーションが登場している。 現存する作業のほとんどは、異質なフェーディングチャネルで苦労している。 これらのアプローチでは、すべてのデバイスからバイアスのない更新を強制するか、部分的なデバイスコントリビューションを許可し、特定のフェードモデルの下でバイアスを軽減するために拘束される収束を慎重に調整する必要がある。 しかしながら、前者は最も弱いチャネルによる受信音を著しく増幅する一方、後者はフェードモデルミスマッチに敏感であり、バイアス対象にのみ収束する。 これらの課題に対処するため、我々はアルゴリズムコンポーネントを用いて勾配正規化によるエネルギー制約を自動的に満たし、暗黙のゴシップによってデバイスのアップデートを均等に混合するFedOAGを提案する。 重要なことは、FedOAGはすべてのデバイスからの送信を必要としないし、特定の流行モデルや時間変化の統計チャネル分布の知識に依存しない。 我々は,任意の確率的一階法に対して,FedOAGが最大速度$O(1/\sqrt{T})$で非凸対象の定常点に収束することを示す。 実世界のデータセット上での動的無線条件に関する数値実験で解析を行った。

関連論文リスト

• Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
  ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。 本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T15:49:08Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• Non-Convex Over-the-Air Heterogeneous Federated Learning: A Bias-Variance Trade-off [6.832750677765499]
  OTA(Over-the-air Convex Learning)は、無線マルチアクセスチャネルの重畳を利用して更新をモデル化するスケーラブルなパラダイムとして認識されている。 OTAFL SGD の新たな更新手法を開発した。
  論文  参考訳（メタデータ） (2025-10-30T17:22:57Z)
• Noise Resilient Over-The-Air Federated Learning In Heterogeneous Wireless Networks [2.2530496464901106]
  6G無線ネットワークでは、人工知能(AI)駆動のアプリケーションはフェデレートラーニング(FL)の採用を要求する。 従来のOTA-FL技術は、サーバにおけるAWGN(Additive White Gaussian Noise)と、エッジデバイスにおけるデータおよびシステム不均一性の両面から影響を受けている。 我々は,これらの課題に共同で取り組むために,新しいノイズ耐性オーバーザエアフェデレートラーニング(NoROTA-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-25T11:04:00Z)
• Rendering Wireless Environments Useful for Gradient Estimators: A Zero-Order Stochastic Federated Learning Method [14.986031916712108]
  クロスデバイスフェデレーション学習(FL)は成長する機械学習フレームワークであり、複数のエッジデバイスが協力して、生データを公開せずにモデルをトレーニングする。 学習アルゴリズム自体において、その影響を解析する代わりに、無線チャネルを利用する方法を示す。
  論文  参考訳（メタデータ） (2024-01-30T21:46:09Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)
• Harnessing Wireless Channels for Scalable and Privacy-Preserving Federated Learning [56.94644428312295]
  無線接続は、フェデレートラーニング(FL)の実現に有効である Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。 A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。 これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
  論文  参考訳（メタデータ） (2020-07-03T16:31:15Z)

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。