論文の概要: Encoder-Sharing Hierarchical Federated Multi-Task Learning for VANETs

• arxiv url: http://arxiv.org/abs/2609.36157v1
• Date: Mon, 28 Sep 2026 19:27:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.970141
• Title: Encoder-Sharing Hierarchical Federated Multi-Task Learning for VANETs
• Title（参考訳）: VANETのためのエンコーダ共有階層型マルチタスク学習
• Abstract要約: 本稿では,エンコーダ共有型階層型マルチタスクフェデレーションラーニング(EN-HMTFL)を提案する。 クラスタベースの階層型フェデレーション学習と、グローバル共有エンコーダと車両ローカルデコーダを統合している。 EN-HMTFLは比較した表現共有ベンチマークと比較して最大24.0%精度を向上させる。
• 参考スコア（独自算出の注目度）: 8.956048958779315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most federated learning frameworks for vehicular ad hoc networks assume that all vehicles collaboratively train a single model for a common task. This assumption limits their applicability to practical vehicular environments, where vehicles may perform heterogeneous but related perception tasks with different output spaces. This paper proposes encoder-sharing hierarchical multi-task federated learning (EN-HMTFL), which integrates cluster-based hierarchical federated learning with a globally shared encoder and vehicle-local decoders. EN-HMTFL enables vehicles performing different tasks to collaboratively learn a transferable feature representation while preserving their task-specific models locally. Only the encoder is exchanged and aggregated through the hierarchy, whereas raw data and local decoder parameters remain at the vehicles. The proposed framework is evaluated on the MNIST and GTSRB datasets in different vehicular scenarios. Across the evaluated scenarios, EN-HMTFL improves accuracy by up to 24.0% relative to the compared representation-sharing benchmark. In scenarios where EN-HMTFL converges earlier, the reduction reaches up to 69 communication rounds (28.8%).
• Abstract（参考訳）: 車両アドホックネットワークのためのほとんどの連合学習フレームワークは、すべての車両が共通のタスクのために単一のモデルを協調的に訓練していると仮定している。 この仮定は、車両が異なる出力空間で不均一だが関連する知覚タスクを実行できる実用的な車両環境に適用性を制限する。 本稿では,クラスタベースの階層型フェデレーション学習とグローバル共有エンコーダと車両ローカルデコーダを統合したエンコーダ共有多タスクフェデレーション学習(EN-HMTFL)を提案する。 EN-HMTFLは、異なるタスクを実行する車両が、タスク固有のモデルをローカルに保存しながら、転送可能な特徴表現を協調的に学習することを可能にする。 エンコーダだけが階層を通して交換され集約されるのに対して、生データとローカルデコーダパラメータは車両に残る。 提案手法は,MNIST と GTSRB のデータセットを用いて,異なる車両シナリオで評価する。 評価されたシナリオ全体で、EN-HMTFLは比較した表現共有ベンチマークと比較して最大24.0%精度を向上させる。 EN-HMTFLが早く収束するシナリオでは、最大69回の通信ラウンド(28.8%)に達する。

関連論文リスト

• RideSkill: A Hierarchical Algorithm for Generalized Ride Sharing with LLM-Driven Automatic Evolution [23.267455337961866]
  ライドシェアリングにより、異なるオリジン・デスティネーション(OD)ペアを持つ複数の乗客が1台の車両を共有することができる。 異なるODペアの注文は、不確実でさまざまなシナリオの下で効率よくバンドルされ、車両に割り当てられる必要がある。 LLM支援型自動アルゴリズム設計を利用したライドシェアリングの階層的手法であるRideSkillを提案する。
  論文  参考訳（メタデータ） (2026-09-02T07:57:03Z)
• Hierarchical Multi-Task Federated Learning in VANETs [8.956048958779315]
  Vehicular Adhoc Networks (VANETs) は、生の知覚データを共有せずに協調的な知性を実現するために、ますます連邦学習 (FL) に依存している。 本稿では,動的マルチホップクラスタ化VANETのための,オートエンコーダに基づく信頼性階層型マルチタスクフェデレーション学習フレームワークを提案する。 最大13%高い持続的EPCレベルの精度を実現し、より安定した学習ダイナミクスを示し、EPCレベルのパケット送信を約87-97%削減する。
  論文  参考訳（メタデータ） (2026-08-08T12:46:04Z)
• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• Equivariant Multi-agent Reinforcement Learning for Multimodal Vehicle-to-Infrastructure Systems [27.423287406667885]
  分散基地局(BS)が道路側ユニット(RSU)として機能するV2Iシステムについて検討する。 我々は、各RSUがそのリソースを最適化するためにローカルな観測に依存する分散レート問題を考える。 我々はこの問題を,車両位置の対称性を取り入れた分散マルチエージェント強化学習(MARL)問題として再考した。
  論文  参考訳（メタデータ） (2026-04-08T10:13:29Z)
• Pilot: Building the Federated Multimodal Instruction Tuning Framework [79.56362403673354]
  本フレームワークは、視覚エンコーダとLCMのコネクタに「アダプタのアダプタ」の2つの段階を統合する。 ステージ1では視覚情報からタスク固有の特徴とクライアント固有の特徴を抽出する。 ステージ2では、クロスタスクインタラクションを実行するために、クロスタスクMixture-of-Adapters(CT-MoA)モジュールを構築します。
  論文  参考訳（メタデータ） (2025-01-23T07:49:24Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Learning Autoencoders with Relational Regularization [89.53065887608088]
  データ分散のオートエンコーダを学習するための新しいフレームワークを提案する。 エンフレレーショナル正規化によるモデルと対象分布の差を最小限にする 我々はこのフレームワークを2つのスケーラブルアルゴリズムで実装し、確率的および決定論的オートエンコーダの両方に適用する。
  論文  参考訳（メタデータ） (2020-02-07T17:27:30Z)

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。