論文の概要: Adaptive Role Assignment and Controlled Feature Reconstruction for Federated Image Semantic Communication

• arxiv url: http://arxiv.org/abs/2610.15623v1
• Date: Sun, 11 Oct 2026 13:48:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:33:22.493137
• Title: Adaptive Role Assignment and Controlled Feature Reconstruction for Federated Image Semantic Communication
• Title（参考訳）: フェデレートされた画像セマンティック通信のための適応的役割割り当てと制御された特徴再構成
• Abstract要約: ARC-FedSCはRAN対応のフレームワークで、UEロールの割り当てとサーバサイド制御FRを固定的な通信予算の下で調整する。 Role-Banditは、異なる役割におけるUEの歴史的貢献と現在のアップリンク条件を学習する。 TCAは、有害なFR事象の確率を0.245から0.093に減少させ、62.0%の減少に対応する。
• 参考スコア（独自算出の注目度）: 10.773894802719154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid federated semantic communication enables user equipment (UEs) to contribute model updates or semantic features under a shared training framework. However, heterogeneous role costs and the interaction between model aggregation and feature reconstruction (FR) remain key challenges in practical radio access network (RAN) deployment. To address these issues, we propose ARC-FedSC, a RAN-aware framework that coordinates UE role assignment and server-side controlled FR under a fixed communication budget. Within ARC-FedSC, RAN Aware Role-Bandit learns the historical contribution of UEs in different roles together with current uplink conditions, while Temporal Consistency Alignment (TCA) regulates FR according to recent model aggregation directions. Experiments on CIFAR-10 with time-varying RAN channels show that ARC-FedSC outperforms baselines across all five tested role configurations in the later training stage, with the best configurations achieving about 24.17 dB average PSNR over the last 20 rounds. Component level results further show that Role-Bandit maintains an average rolling UE coverage of 85.3%, compared with about 65.7% for baseline, while TCA reduces the probability of harmful FR events from 0.245 to 0.093, corresponding to a 62.0% reduction. Ablation and sensitivity studies further support the effectiveness and robustness of the proposed design.
• Abstract（参考訳）: ハイブリッドなフェデレートされたセマンティックコミュニケーションにより、ユーザ機器(UE)は、共有トレーニングフレームワークの下でモデル更新やセマンティック機能にコントリビュートすることができる。 しかし、実際の無線アクセスネットワーク(RAN)の展開において、異種の役割コストとモデル集約と特徴再構成(FR)の相互作用は依然として重要な課題である。 これらの問題に対処するため、固定的な通信予算の下でUEロール割り当てとサーバ側制御FRを調整するRAN対応フレームワークARC-FedSCを提案する。 ARC-FedSC内では、RAN Aware Role-Banditが現在のアップリンク条件とともに、UEの様々な役割における歴史的貢献を学習し、一方TCA(Temporal Consistency Alignment)は、最近のモデルアグリゲーション方向に従ってFRを規制している。 CIFAR-10のRANチャンネルによる実験では、ARC-FedSCは後期の訓練段階でテストされた5つのロール構成全てでベースラインを上回り、過去20ラウンドで平均24.17dBのPSNRを達成した。 さらに、コンポーネントレベルの結果から、Role-Banditは平均転がりUEカバレッジを85.3%、ベースラインは65.7%、TCAは62.0%、有害なFRイベントの確率を0.245から0.093に下げている。 アブレーションと感度の研究は、提案された設計の有効性と堅牢性をさらに支援している。

関連論文リスト

• Learning Steadily: Accumulating Relative Point Margin Scores for Face Image Quality Assessment [19.115807754135094]
  顔画像品質評価による自動顔認識(FR)のための撮像顔画像の適合性判定 既存のFR統合FIQA法は、訓練中に特徴空間が進化するにつれて時間的不安定さに悩まされる。 本稿では, FR積分FIQAの安定化戦略であるCARPM-FIQAについて紹介する。
  論文  参考訳（メタデータ） (2026-09-15T09:16:49Z)
• Joint UAV Activation and Placement for Post-Disaster Wireless Restoration via a Hybrid Quantum-Inspired Evolutionary Framework [1.6557012906444653]
  災害後の環境では、地上通信インフラの故障は、無線接続を回復するために無人航空機(UAV)の迅速な展開を必要とする。 本稿では, 連続空間におけるUAVの活性化と配置の問題に対処し, 展開するUAVの数を最小化することを目的とする。 我々は、K平均誘導初期化、校正されたペナルティベースの実現可能性目標、非エリート進化探索、量子インスパイアされた学習更新を組み合わせたハイブリッドK平均量子インスパイア進化アルゴリズム(HKQEA)を提案する。
  論文  参考訳（メタデータ） (2026-09-07T12:00:20Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• FedCritic: Serverless Federated Critic Learning-based Resource Allocation for Multi-Cell OFDMA in 6G [4.726504262162973]
  6G超高密度ネットワークでは、アグレッシブ周波数再利用はセル間干渉を増幅する。 分散実行を備えたサーバレスフェデレーションマルチエージェントフレームワークであるFedCriticを開発した。
  論文  参考訳（メタデータ） (2026-05-20T17:13:09Z)
• OmniISR: A Unified Framework for Centralized and Federated Learning via Intermediate Supervision and Regularization [58.03221830946145]
  我々は、純粋なCL、純粋なFL、ハイブリッドCL-FLトレーニングモードを融合する統合フレームワークであるOmniISRを提案する。 我々は,OmniISRが集中型パラダイムとフェデレーション型パラダイムの両方において,モデル性能を一貫して改善していることを示す。
  論文  参考訳（メタデータ） (2026-05-19T04:13:27Z)
• Fractional-Order Federated Learning [4.1751058176413105]
  フェデレートラーニング(FL)は、リモートクライアントがクライアントのプライバシを保護しながら、グローバルモデルを協調的にトレーニングすることを可能にする。 プライバシー保護のメリットにもかかわらず、FLには、収束の遅い、通信コストの高い、非独立性および独立性のない(非IID)データなど、大きな欠点がある。
  論文  参考訳（メタデータ） (2026-02-17T06:25:23Z)
• Stabilizing Decentralized Federated Fine-Tuning via Topology-Aware Alternating LoRA [20.00589625873043]
  textttTAD-LoRAは、フェデレーション学習のサーバレス版である。 我々は, TextttTAD-LoRA が強い連結トポロジにおいて競合し, 適度かつ弱い連結トポロジの下で明確なゲインをもたらすことを示す。
  論文  参考訳（メタデータ） (2026-01-31T01:57:53Z)
• Conformal Distributed Remote Inference in Sensor Networks Under Reliability and Communication Constraints [61.62410595953275]
  通信制約付き分散共形リスク制御(CD-CRC) CD-CRCは通信制約下でのセンサネットワークのための新しい意思決定フレームワークである。
  論文  参考訳（メタデータ） (2024-09-12T10:12:43Z)

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。