論文の概要: Serverless gossip training of LSTM failure detectors: A matched-protocol comparison with federated, local and centralized learning on NASA C-MAPSS

• arxiv url: http://arxiv.org/abs/2609.35792v1
• Date: Thu, 17 Sep 2026 03:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.2667
• Title: Serverless gossip training of LSTM failure detectors: A matched-protocol comparison with federated, local and centralized learning on NASA C-MAPSS
• Title（参考訳）: LSTM故障検出装置のサーバーレスゴシップトレーニング:NASA C-MAPSSにおけるフェデレーション、局所学習および集中学習との比較
• Abstract要約: Federated Averaging (FedAvg)は、これを集中集約で解決する。 我々は、同期リングゴシップをFedAvgと比較し、局所訓練を分離し、LSTMを集中的に参照する。 FD001では、FedAvgの89.9 +/-1.1%、ローカルトレーニングの83.6 +/-6.7%、集中トレーニングの93.5 +/-2.1%に対して、Gossipは89.6 +/-1.3%のターミナルウインドウF1に達した。
• 参考スコア（独自算出の注目度）: 8.745073422125925
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Industrial predictive maintenance increasingly depends on learning from equipment spread across sites whose sensor data cannot easily be pooled. Federated averaging (FedAvg) solves this with a central aggregation server; gossip learning removes the server, but its behaviour for recurrent failure-detection models has not been measured under controlled conditions. We compare synchronous ring gossip with FedAvg, isolated local training and a centralized reference for a stacked LSTM that detects imminent failure on the NASA C-MAPSS turbofan benchmark. All methods share one open implementation, architecture, initialization, optimizer, data split and training budget, and the primary endpoint uses one terminal window per test engine to avoid the statistical dependence of overlapping windows. On FD001 (five seeds), gossip reached a terminal-window F1 of 89.6 +/- 1.3%, compared with 89.9 +/- 1.1% for FedAvg, 83.6 +/- 6.7% for local training and 93.5 +/- 2.1% for centralized training, while transmitting the same payload as FedAvg without a coordinator. Node models agreed closely but not exactly (1.8% pairwise decision disagreement versus 5.6% without communication). Across FD002-FD004, peer communication improved terminal-window F1 over local training by 13-28 points; gossip matched FedAvg on FD003 and FD004 but was 4.3 points lower on the multi-condition FD002 subset. Simulated message loss, node failure and server outage changed neither method appreciably, whereas larger rings degraded gossip faster. Ring gossip is therefore a practical serverless alternative when data heterogeneity is moderate, and faster-mixing topologies become important as heterogeneity grows.
• Abstract（参考訳）: 産業の予測的メンテナンスは、センサーデータが簡単にプールできない場所に広がる機器からの学習にますます依存している。 フェデレート平均化(FedAvg)は、これを集中集約サーバで解決する。ゴシップ学習はサーバを除去するが、繰り返し発生する障害検出モデルに対する振る舞いは、制御された条件下で測定されていない。 我々は、同期リングゴシップをFedAvgと比較し、局所訓練を分離し、NASAのC-MAPSSターボファンベンチマークにおける差し迫った故障を検出するLSTMを集中的に参照した。 すべてのメソッドは1つのオープン実装、アーキテクチャ、初期化、オプティマイザ、データ分割、トレーニング予算を共有している。 FD001(5つの種子)では、ゴシップはFedAvgの89.9 +/- 1.1%、ローカルトレーニングの83.6 +/- 6.7%、集中トレーニングの93.5 +/- 2.1%に対して、FedAvgと同じペイロードをコーディネータなしで送信した。 ノードモデルは密接に一致しているが、正確には一致していない(1.8%)。 FD002-FD004では、FD003とFD004ではゴシップがFedAvgと一致したが、マルチ条件のFD002サブセットでは4.3ポイント低かった。 シミュレーションされたメッセージ損失、ノードの障害、サーバの停止はどちらのメソッドも良好に変化しなかったが、より大きなリングはゴシップを高速化した。 したがって、データ不均一性が適度であり、高速な混合トポロジが重要になる場合、リングゴシップは実用的なサーバレス代替手段である。

関連論文リスト

• Decentralized Gossip Learning and Federated Averaging for Histopathology Image Classification [6.766475414507422]
  本研究は, 完全分散型ゴシップ学習であるサーバベースフェデレート平均化(FedAvg)と, 浸潤性胆管癌に対するHybrid Gossip-FedAvgの比較を行った。 実験では、277,524のカラーイメージパッチと、患者分離トレーニング、検証、テストパーティション、ワークロードバランスの取れた6つのノード間のDirichlet誘導アロケーションを使用していた。
  論文  参考訳（メタデータ） (2026-09-15T00:09:18Z)
• When Adaptation Hurts: Split Sensitivity and Person-Level Negative Transfer in Federated Wearable Onboarding [0.0]
  フェデレートされたウェアラブルモデルは、最終的にはソーストレーニングを欠席する人々に役立ちます。 リーク制御プロトコルを用いて,5つのウェアラブルデータセット上での6つのコアオンボーディング戦略を評価する。 適応的中核機構は、全5データセットの正平均ゲインと、平均的な平均的個人レベルの損失を2ポイント以上(pp)と組み合わせるものではない。
  論文  参考訳（メタデータ） (2026-08-18T15:23:51Z)
• FedPref: Federated Preference Learning for Structured Radiology Report Extraction [69.11739400975445]
  ラジオロジーレポートでは、自由テキストで発見と位置を記述しているが、下流の検索と分析では、これらの関係を固定スキーマで記述する必要がある。 我々はFedPrefを紹介します: 凍結した公開言語モデルは代替の抽出を提案し、ローカルアノテーションはそれらをランク付けし、サイトはプールされたコンパクトQwen3-8Bアダプタを協調訓練します。 不平等なデータ量と病気の有病率を持つ6つのシミュレートされた病院の開発データに基づき、FedPrefはクライアント平均F1を2.49ポイント、最悪のサイトF1を9.10ポイント改善する。
  論文  参考訳（メタデータ） (2026-08-17T12:29:42Z)
• FedSSG: Expectation-Gated and History-Aware Drift Alignment for Federated Learning [4.175654562922818]
  FedSSGは、サンプリング誘導型、履歴対応のドリフトアライメント方式である。 FedSSGは、強いドリフト認識ベースラインを一貫して上回り、収束を加速する。
  論文  参考訳（メタデータ） (2025-09-17T10:43:05Z)
• Argos: A Decentralized Federated System for Detection of Traffic Signs in CAVs [0.8999666725996974]
  本研究では,車載ネットワーク上での交通信号検出に適した分散化・フェデレート学習フレームワークを提案する。 このフレームワークは、軽量物体検出器を用いた特別なローカルトレーニングのために、車両間でトラフィックサインクラスを分割した。 このフェデレートされたアプローチは、現実世界の車両配備にスケーラブルでプライバシ保護のソリューションを提供する可能性があると結論付けています。
  論文  参考訳（メタデータ） (2025-08-18T08:22:57Z)
• FedUHD: Unsupervised Federated Learning using Hyperdimensional Computing [6.723189987831009]
  我々は超次元計算(HDC)に基づく最初のUFLフレームワークであるFedUHDを提案する。 FedUHDは最大173.6xと612.7倍のスピードアップとエネルギー効率を実現し、訓練では最大271倍の通信コスト、様々な設定で平均15.50%の精度を実現している。
  論文  参考訳（メタデータ） (2025-08-16T11:41:29Z)
• Towards Communication-efficient Federated Learning via Sparse and Aligned Adaptive Optimization [90.08459757321405]
  Federated Adam (FedAdam) アルゴリズムはアップリンク通信オーバーヘッドの3倍の増大に悩まされている。 我々はFedAdam-SSMと呼ばれる新しいスパースなFedAdamアルゴリズムを提案する。 我々は,FedAdam-SSMが訓練したモデルと集中型Adamの差異を最小化することにより,スペーシフィケーションエラーによる学習性能劣化を軽減するためにSSMを最適化する。
  論文  参考訳（メタデータ） (2024-05-28T07:56:49Z)
• TCT: Convexifying Federated Learning using Bootstrapped Neural Tangent Kernels [141.29156234353133]
  最先端の凸学習手法は、クライアントが異なるデータ分布を持つ場合、集中型よりもはるかにパフォーマンスが劣る。 我々は、この格差は、非NISTityが提示した課題に大きく起因していることを示す。 本稿では,Train-Convexify Neural Network (TCT) 手法を提案する。
  論文  参考訳（メタデータ） (2022-07-13T16:58:22Z)
• FedHiSyn: A Hierarchical Synchronous Federated Learning Framework for Resource and Data Heterogeneity [56.82825745165945]
  フェデレートラーニング(FL)は、データプライバシを保護するために複数のデバイスに格納された分散生データを共有することなく、グローバルモデルのトレーニングを可能にする。 本稿では,階層型同期FLフレームワークであるFedHiSynを提案し,トラグラー効果や時代遅れモデルの問題に対処する。 提案手法は,MNIST,EMNIST,CIFAR10,CIFAR100のデータセットと多種多様なデバイス設定に基づいて評価する。
  論文  参考訳（メタデータ） (2022-06-21T17:23:06Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)

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。