論文の概要: Uncertainty-Aware Federated Learning for Joint Communication and Computation in XR Systems

• arxiv url: http://arxiv.org/abs/2610.21969v1
• Date: Thu, 15 Oct 2026 14:27:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.126655
• Title: Uncertainty-Aware Federated Learning for Joint Communication and Computation in XR Systems
• Title（参考訳）: XRシステムにおける共同コミュニケーションと計算のための不確実性を考慮したフェデレーション学習
• Abstract要約: 本稿では,複数の基地局(BS)が同時に複数の拡張現実(XR)デバイスを提供する,AIネイティブで堅牢なネットワークについて検討する。 そこで本論文では,トランスミッションとコンピューティングの能力を同時に管理するための,革新的な分散ディープラーニングベースのアプローチを提案する。 このような干渉ネットワークのシナリオ下では、最悪の遅延を最小限に抑えるための堅牢なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 9.802872078910296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The convergence of communication and computation, empowered by artificial intelligence (AI) enhanced capabilities, emerges as a key enabler for realizing the promising functionalities of the sixth-generation of communication systems (6G). To this end, this paper investigates an AI-native, robust network, where multiple base stations (BSs) simultaneously serve several extended reality (XR) devices. The paper then presents an innovative distributed deep learning-based approach to simultaneously manage the transmit and computing powers, and computation allocation, amidst uncertainties in both channel and computing states information. Under such an interference network scenario, the paper proposes a robust approach for minimizing the worst-case delay across the served XR devices, subject to computation and power constraints. The paper leverages a deep neural network (DNN) that can be trained either centrally or in a federated manner to map estimated channels and computation requirements to optimized resource allocations per BS. During training, uncertainty samples, reflecting both channel and computing estimation errors, are injected after the DNN output to account for such joint uncertainties. Our results validate the enhanced robust delay performance and scalability of joint uncertainty injection as compared to uncertainty-agnostic methods and state-of-the-art benchmarks, with federated learning-based solutions achieving near-centralized performance while enhancing efficiency, privacy, and adaptability.
• Abstract（参考訳）: 人工知能(AI)の強化された能力によって強化された通信と計算の収束は、第6世代通信システム(6G)の有望な機能を実現するための重要な実現手段として現れる。 そこで本研究では,複数の基地局(BS)が複数の拡張現実(XR)デバイスを同時に運用する,AIネイティブで堅牢なネットワークについて検討する。 そこで本稿では,伝送・演算能力と計算割り当てを同時に管理するための,分散ディープラーニングに基づく革新的な手法を提案する。 このような干渉ネットワークのシナリオ下では、計算と電力制約を前提として、サービスされたXRデバイス間の最悪の遅延を最小限に抑えるための堅牢なアプローチを提案する。 この論文では、推定チャネルと計算要求をBS当たりのリソース割り当てにマップするために、中央あるいは連合的にトレーニングできるディープニューラルネットワーク(DNN)を活用している。 トレーニング中、チャネルと計算誤差の両方を反映した不確実性サンプルがDNN出力後に注入され、そのような共同不確実性を考慮する。 提案手法は, 効率, プライバシ, 適応性を向上しつつ, ほぼ分散化された性能を実現するためのフェデレーション学習ベースのソリューションを用いて, 不確実性診断手法や最先端ベンチマークと比較して, 堅牢な遅延性能と拡張性を評価するものである。

関連論文リスト

• Joint Optimization of Model Partitioning and Resource Allocation for Anti-Jamming Collaborative Inference Systems [52.842088497389746]
  この手紙は、悪意のあるジャマーの存在下での、アンチジャミングの協調推論システムに焦点を当てている。 まず、ジャミングとDNNパーティショニングがデータ回帰による推測精度に与える影響を解析する。 問題を3つのサブプロブレムに分解する,効率的な交互最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-03T03:52:52Z)
• Resource-Efficient and Robust Inference of Deep and Bayesian Neural Networks on Embedded and Analog Computing Platforms [0.4441866681085516]
  この研究は、アルゴリズムとハードウェアの効率を共同で追求することで、ニューラルネットワークのリソース効率と堅牢な推論を促進する。 最初のコントリビューションであるGalenは、感度分析とハードウェア・イン・ザ・ループフィードバックによって導かれる自動層特異的圧縮を実行する。 第2の作業は確率的推論を前進させ、コストのかかるサンプリングを置き換え、コンパイラスタックに統合し、組み込み推論を最適化する分析およびアンサンブル近似を開発する。
  論文  参考訳（メタデータ） (2025-10-28T20:34:53Z)
• Communication Optimization for Decentralized Learning atop Bandwidth-limited Edge Networks [4.880664732766839]
  分散連合学習(DFL)は、人工知能(AI)機能をネットワークエッジに持ち込むための、有望な機械学習パラダイムである。 しかし、エッジネットワーク上でのDFLの実行は、エージェント間の広範なパラメータ交換のため、深刻なパフォーマンス上の問題に直面している。 エージェントとエージェント間の通信要求を制御するミキシングマトリックスとで構成したオーバーレイネットワークの通信方式を共同で設計する。 評価の結果,提案アルゴリズムはベースラインと比較してトレーニング時間を80%以上削減できることがわかった。
  論文  参考訳（メタデータ） (2025-04-16T15:56:57Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• Edge AI Collaborative Learning: Bayesian Approaches to Uncertainty Estimation [0.0]
  独立エージェントが遭遇するデータの空間的変動を考慮した学習結果における信頼度の決定に焦点をあてる。 協調マッピングタスクをシミュレートするために,Webotsプラットフォームを用いた3次元環境シミュレーションを実装した。 実験により,BNNは分散学習コンテキストにおける不確実性推定を効果的に支援できることが示された。
  論文  参考訳（メタデータ） (2024-10-11T09:20:16Z)
• Robust Communication and Computation using Deep Learning via Joint Uncertainty Injection [15.684142238738797]
  コミュニケーションと計算の収束と機械学習と人工知能の統合は、第6世代通信システム(6G)の鍵となる力となる。 本稿では,空間多重化を用いた複数のデバイスを同時に運用する1つの基地局のネットワークについて考察する。 そこで本稿では,チャネル情報と計算状態情報の両面での不確実性の中で,通信と計算機のパワーを同時に管理する,革新的なディープラーニングベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-05T18:00:09Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Identity-Aware Attribute Recognition via Real-Time Distributed Inference in Mobile Edge Clouds [53.07042574352251]
  我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。 本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。 そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-08-12T12:03:27Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。