論文の概要: Communication-Efficient Federated Domain Generalization in Edge Networks via Dynamic Prototype Regulation

• arxiv url: http://arxiv.org/abs/2610.25810v1
• Date: Mon, 19 Oct 2026 05:19:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:20:46.254557
• Title: Communication-Efficient Federated Domain Generalization in Edge Networks via Dynamic Prototype Regulation
• Title（参考訳）: 動的プロトタイプ制御によるエッジネットワークにおける通信効率の良いフェデレーションドメインの一般化
• Abstract要約: フェデレートラーニング(Federated Learning, FL)は、IoT(Internet of Things)エッジネットワークのための分散パラダイムである。 無線エッジネットワーク上にVLM(Vision-Language Models)をデプロイすることは、異なる課題を示す。 通信効率の高いフェデレーションドメイン一般化フレームワークDPGR-GCAMを提案する。
• 参考スコア（独自算出の注目度）: 8.790519740175649
• License:
• Abstract: Federated learning (FL) is a distributed paradigm for Internet of Things (IoT) edge networks. However, deploying Vision-Language Models (VLMs) over wireless edge networks presents distinct challenges: large model parameters increase uplink transmission latency over bandwidth-constrained fading channels, and non-independent and identically distributed (Non-IID) data exacerbates client drift. Existing feature alignment solutions often introduce auxiliary computations that consume time slots allocated for wireless parameter transmission, increasing the likelihood of straggler dropouts under system delay constraints. To address these issues, we propose DPGR-GCAM, a communication-efficient federated domain generalization framework. By employing a dual-parameter-efficient fine-tuning (PEFT) architecture, we design a channel-aware tiered transmission mechanism that adaptively truncates payloads to maximize node survival rates under fading conditions. To mitigate client drift, we introduce the Gradient-Conflict Aware Modulation (GCAM) mechanism. GCAM operates within the low-dimensional feature manifold to dynamically resolve multi-objective optimization conflicts with minimal edge computation latency, thereby reducing computation-induced network outages. Experiments demonstrate that DPGR-GCAM improves cross-domain generalization and sustains convergence under network fading scenarios with a 10\% client participation rate.
• Abstract（参考訳）: フェデレートラーニング(Federated Learning, FL)は、IoT(Internet of Things)エッジネットワークのための分散パラダイムである。 しかし、無線エッジネットワーク上にVLM(Vision-Language Models)を配置すると、大きなモデルパラメータが帯域制限されたフェージングチャネル上でのアップリンク伝送遅延を増大させ、非独立で同一に分散された(Non-IID)データがクライアントのドリフトを悪化させる。 既存の特徴アライメントソリューションは、しばしば、無線パラメータ送信に割り当てられた時間スロットを消費する補助計算を導入し、システム遅延制約下でのストラグラードロップアウトの可能性を高める。 これらの問題に対処するために,通信効率の高いフェデレーションドメイン一般化フレームワークDPGR-GCAMを提案する。 デュアルパラメータ効率の微細チューニング(PEFT)アーキテクチャを用いて、フェージング条件下でのノード生存率を最大化するためにペイロードを適応的に切り離すチャネル対応のタイレッドトランスミッション機構を設計する。 クライアントのドリフトを軽減するため,GCAM(Gradient-Conflict Aware Modulation)機構を導入する。 GCAMは低次元の特徴多様体内で動作し、エッジ計算のレイテンシを最小限に抑えた多目的最適化の競合を動的に解決し、計算によるネットワークの停止を低減する。 実験により,DPGR-GCAMはクロスドメインの一般化を改善し,ネットワークフェージングシナリオ下でのコンバージェンスを 10 % のクライアント参加率で維持することを示した。

関連論文リスト

• Resource Allocation in Hybrid Radio-Optical IoT Networks using GNN with Multi-task Learning [11.833896722352568]
  本稿では,光ニューラルOWCと電波周波数(RF)を統合したハイブリッドモノのインターネット(IoT)ネットワークにおけるデュアルテクノロジースケジューリングの問題に対処する。 本稿では,2段階グラフ埋め込みとトランスフォーマー(DGET)フレームワークを組み合わせた教師付きマルチタスク学習アーキテクチャを提案する。 提案フレームワークは、90%以上の分類精度で最適に近いスケジューリングを実現し、計算複雑性を低減し、部分的なチャネルオブザーバビリティの下で高いロバスト性を示す。
  論文  参考訳（メタデータ） (2025-10-29T15:02:28Z)
• Transferable Graph Learning for Transmission Congestion Management via Busbar Splitting [0.688204255655161]
  バスバー分割によるネットワークトポロジ最適化(NTO)は、送電網の混雑を緩和し、再分散コストを低減する。 機械学習(ML)アプローチは有望な代替手段として登場したが、見当たらないトポロジに限定して一般化されている。 本稿では,線形化AC PFを考慮した混雑管理問題に対するNTOを定式化し,グラフニューラルネットワーク(GNN)の高速化手法を提案する。
  論文  参考訳（メタデータ） (2025-10-23T14:16:23Z)
• A Federated Fine-Tuning Paradigm of Foundation Models in Heterogenous Wireless Networks [43.049216349313575]
  エッジデバイスは、基地局とのファインチューニングのためのLoRAモジュールを動的に切り替え、異種伝送の影響を緩和する。 計算複雑性の問題を解決するために,オンライン最適化アルゴリズムを開発した。 SST-2およびQNLIデータセットのシミュレーション結果は、試験精度とエネルギー効率における性能向上を示す。
  論文  参考訳（メタデータ） (2025-09-05T06:38:36Z)
• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• 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)
• Delayed Random Partial Gradient Averaging for Federated Learning [2.9914612342004503]
  我々は、フェデレートラーニング(FL)を強化するために、遅延ランダム部分勾配平均化(DPGA)を提案する。 DPGAでは、クライアントはサーバと部分的なローカルモデル勾配しか共有しないが、ローカルモデルにおける共有部分のサイズは更新率によって決定される。
  論文  参考訳（メタデータ） (2024-12-28T03:14:27Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• Relay-Assisted Cooperative Federated Learning [10.05493937334448]
  オーバー・ザ・エアの計算により、モバイルデバイスはローカルモデルを同時にアップロードできる。 無線チャネルの消失により、エッジサーバにおけるモデル集約誤差は、すべてのデバイスの中で最も弱いチャネルに支配される。 本稿では,トラグラー問題に効果的に対処するリレー支援型協調型FL方式を提案する。
  論文  参考訳（メタデータ） (2021-07-20T14:06:19Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いて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)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)

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。