論文の概要: Federated Learning for LLMs over Mobile Networks: Issues and Solutions in the RAN Transport

• arxiv url: http://arxiv.org/abs/2610.01304v1
• Date: Thu, 01 Oct 2026 08:37:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.004718
• Title: Federated Learning for LLMs over Mobile Networks: Issues and Solutions in the RAN Transport
• Title（参考訳）: モバイルネットワーク上でのLLMのフェデレートラーニング:RANトランスポートにおける課題と解決策
• Abstract要約: フェデレートされたLLMファインチューニングにより、ネットワークエッジで、プライベートおよび地理的に分散されたデータを使用して、大規模なモデルを適応させることができる。 我々は,分散モデル適応の通信構造をトランスポート層に公開することにより,将来のRANが学習に配慮したトラフィックシェーパとして機能するべきだと論じる。 結果として得られるアーキテクチャは、パケットベースのモバイルアクセスの柔軟性と、動的にプロビジョニングされた光学容量を組み合わせる。
• 参考スコア（独自算出の注目度）: 3.1350366816759614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated LLM fine-tuning enables large models to be adapted using private and geographically distributed data at the network edge, creating recurring and deadline-sensitive communication workloads across access and transport networks. This challenge is particularly relevant in mobile RANs, where wireless variability, mobility, and device heterogeneity cause model updates to arrive asynchronously. Although these updates belong to the same learning round and share a common destination and deadline, conventional transport networks treat them as independent device-originated flows, hiding their underlying structure and limiting the ability to efficiently provision transport resources. This mismatch is particularly problematic for optical circuit switching and all-photonics transport, which benefit from predictable and schedulable traffic demands. We argue that future RANs should act as learning-aware traffic shapers by exposing the communication structure of distributed model adaptation to the transport layer. Through in-network aggregation at the gNB, asynchronous UE updates can be transformed into fewer aggregate transfers with bounded size and delivery requirements. Once shaped in this way, federated LLM traffic becomes a suitable candidate for selectively provisioned optical connectivity, where high-capacity paths can be established during aggregate-transfer windows and released between learning rounds. The resulting architecture combines the flexibility of packet-based mobile access with dynamically provisioned optical capacity, illustrating a broader approach for coordinating distributed AI workloads across programmable access and transport networks.
• Abstract（参考訳）: フェデレートされたLLMファインチューニングにより、ネットワークエッジでプライベートおよび地理的に分散されたデータを使用して、大規模なモデルを適応させることができる。 この課題は、無線の可変性、モビリティ、デバイスの不均一性がモデル更新を非同期に到着させるモバイルRANに特に関係している。 これらの更新は、同じ学習ラウンドに属し、共通の目的地と期限を共有するが、従来のトランスポートネットワークは、それらを独立したデバイス指向フローとして扱い、基盤構造を隠蔽し、輸送資源を効率的に供給する能力を制限する。 このミスマッチは、予測可能でスケジュール可能な交通需要の恩恵を受ける光回路スイッチングや全フォトニクス輸送において特に問題となる。 我々は,分散モデル適応の通信構造をトランスポート層に公開することにより,将来のRANが学習に配慮したトラフィックシェーパとして機能するべきだと論じる。 gNBでのネットワーク内のアグリゲーションを通じて、非同期UE更新は、境界サイズとデリバリ要求の少ないアグリゲーション転送に変換することができる。 この方法で形成すると、連合LDMトラフィックは、集合移動ウィンドウ中に高容量パスを確立でき、学習ラウンド間で解放される、選択的にプロビジョニングされた光接続に適した候補となる。 結果として生じるアーキテクチャは、パケットベースのモバイルアクセスの柔軟性と動的にプロビジョニングされた光学容量を組み合わせることで、プログラム可能なアクセスとトランスポートネットワークをまたいだ分散AIワークロードのコーディネートのための、より広範なアプローチを具現化している。

関連論文リスト

• Agentic AI Networking for Heterogeneous Unmanned Aerial Systems in Low-Altitude Wireless Networks [51.122913904076505]
  低高度無線ネットワーク(LAWN)は、異種無人航空システムの鍵となる基盤として浮上している。 本稿では,マルチエージェント強化学習(MARL)アーキテクチャを二重ループ構造として,階層型ハイブリッド型大規模言語モデル(LLM)を提案する。 具体的には、外部適応ループはLLMによるゲームオーケストレーションを使用して、サービス要件とオペレータの意図を解釈し、目的とリソースの優先順位を再設定する。 物流監視ケーススタディは、提案したフレームワークが異種サービス間の協調共存をどのように促進するかを示す。
  論文  参考訳（メタデータ） (2026-09-17T01:04:27Z)
• Semantic Communication-Enhanced Split Federated Learning for Vehicular Networks: Architecture, Challenges, and Case Study [50.345531105285524]
  車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムにとって不可欠である。 動的車両ネットワークにおける従来の集中学習は、通信オーバーヘッドとプライバシーリスクに直面する。 本稿では,意味コミュニケーション強化型分割学習(SC-USFL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-05T08:36:49Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Enabling Reconfiguration-Communication Overlap for Collective Communication in Optical Networks [24.555035126899654]
  大規模分散機械学習(DML)トレーニングワークロードでは,集合的コミュニケーションが広く採用されている。 既存の光配線型CCスキームはワンショットネットワーク再構成を採用している」 本稿では,要求対応光ネットワークフレームワークSWOTを提案する。
  論文  参考訳（メタデータ） (2025-10-22T07:34:04Z)
• Multi-Scale Diffusion Transformer for Jointly Simulating User Mobility and Mobile Traffic Pattern [20.211463364436202]
  MSTDiffはモバイルトラフィックとユーザトラジェクトリの同時シミュレーションのためのマルチスケール拡散変換器である。 トラフィックと軌道生成タスクの最先端のベースラインを超えている。
  論文  参考訳（メタデータ） (2025-10-11T10:45:39Z)
• 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)
• Joint Client Assignment and UAV Route Planning for Indirect-Communication Federated Learning [20.541942109704987]
  FedEx (Federated Learning via Model Express Delivery)と呼ばれる新しいフレームワークが提案されている。 UAVのような移動体トランスポーターを使用して、サーバとクライアント間の間接的な通信チャネルを確立する。 FedEx-SyncとFedEx-Asyncという2つのアルゴリズムがトランスポーターレベルで同期および非同期学習のために提案されている。
  論文  参考訳（メタデータ） (2023-04-21T04:47:54Z)
• Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks [52.93232352968347]
  本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。 FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:17:17Z)
• Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
  機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。 本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
  論文  参考訳（メタデータ） (2020-08-06T12:37:14Z)

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。