論文の概要: Unsupervised Head Network Personalization for Split Computing via Federated Learning

• arxiv url: http://arxiv.org/abs/2610.27952v1
• Date: Tue, 20 Oct 2026 09:57:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.757225
• Title: Unsupervised Head Network Personalization for Split Computing via Federated Learning
• Title（参考訳）: フェデレートラーニングによるスプリットコンピューティングのための教師なしヘッドネットワークパーソナライズ
• Abstract要約: Split Computing (SC) は、計算負荷のバランスとレイテンシの低減のために設計された分散推論手法である。 モバイルデバイスはしばしば、低い計算リソースと通信リソースを必要とするニューラルネットワークに置き換えられる。 SCのためのデータ効率の高いヘッドネットワークトレーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 1.3218606066831913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Split Computing (SC) is a distributed inference method designed for balancing computational load and reducing latency by partitioning a neural network into head and tail networks and deploying them across both a mobile device and a server, respectively. Due to the limited bandwidth and computational power of mobile devices, the head network is often replaced with a neural network that requires lower computational and communication resources. However, it is challenging to prepare a sufficient quantity and quality of labeled data on the mobile device side for training the replacement head network. Furthermore, the data prepared by mobile users often contains sensitive privacy information, making data aggregation difficult. In this paper, we propose a data-efficient head network training method for SC. This method utilizes federated learning and knowledge distillation to train the head network using a small amount of non-IID and unlabeled data from mobile devices, ensuring that the training datasets are not exposed. Moreover, by introducing personalization, we enhance the accuracy to levels comparable to or exceeding those of existing methods. The experimental evaluations demonstrate that, despite data constraints imposed only on our method, it achieves accuracy comparable to the baselines. Furthermore, it significantly reduces the communication requirements by 95% on mobile devices, with only a 3-5 percentage point drop in accuracy from the original model.
• Abstract（参考訳）: Split Computing(SC)は、ニューラルネットワークを頭と尾のネットワークに分割し、それぞれモバイルデバイスとサーバにデプロイすることで、計算負荷のバランスとレイテンシの低減を図った分散推論手法である。 モバイルデバイスの帯域幅と計算能力が限られているため、ヘッドネットワークは低い計算リソースと通信リソースを必要とするニューラルネットワークに置き換えられることが多い。 しかし、置換ヘッドネットワークをトレーニングするために、モバイルデバイス側でラベル付きデータの十分な量と品質を準備することは困難である。 さらに、モバイルユーザによって作成されるデータは、機密性の高いプライバシ情報を含んでいることが多いため、データの集約が難しくなる。 本稿では,SCのためのデータ効率の高いヘッドネットワークトレーニング手法を提案する。 本手法は, 学習と知識の蒸留を利用して, モバイルデバイスから少量の非IIDおよび未ラベルデータを用いて, ヘッドネットワークを訓練し, トレーニングデータセットが露出しないことを保証する。 さらに、パーソナライゼーションを導入することで、既存の手法に匹敵するレベルまで精度を高めることができる。 実験により,本手法にのみデータ制約が課されているにもかかわらず,ベースラインに匹敵する精度が得られた。 さらに,モバイル端末での通信要求を95%削減し,元のモデルから3～5ポイントの精度を落としている。

関連論文リスト

• Coordination-free Decentralised Federated Learning on Complex Networks: Overcoming Heterogeneity [2.6849848612544]
  Federated Learning(FL)は、エッジコンピューティングシナリオで学習タスクを実行するためのフレームワークである。 本稿では,コミュニケーション効率のよい分散フェデレート学習(DFL)アルゴリズムを提案する。 我々のソリューションは、デバイスが直接隣人とのみ通信し、正確なモデルを訓練することを可能にする。
  論文  参考訳（メタデータ） (2023-12-07T18:24:19Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Network Anomaly Detection Using Federated Learning [0.483420384410068]
  我々は、効率的なネットワーク異常検出を可能にする堅牢でスケーラブルなフレームワークを導入する。 複数の参加者が共同でグローバルモデルをトレーニングするフェデレーション学習を活用します。 提案手法はUNSW-NB15データセットのベースライン機械学習手法よりも優れている。
  論文  参考訳（メタデータ） (2023-03-13T20:16:30Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Low Precision Decentralized Distributed Training with Heterogeneous Data [5.43185002439223]
  トレーニングと推論の計算複雑性を低減することを目的とした,低精度分散トレーニングの収束性を示す。 実験によると、8ビットの分散トレーニングは、不均一なデータであっても、その完全精度と比較して、最小限の精度の損失がある。
  論文  参考訳（メタデータ） (2021-11-17T20:48:09Z)
• Efficient and Private Federated Learning with Partially Trainable Networks [8.813191488656527]
  我々は、トレーニングプロセス全体において、モデルパラメータの一部を凍結する部分トレーニング可能なニューラルネットワークを活用することを提案する。 FedPT(Partially Trainable Neural Network)のフェデレート学習が,通信精度のトレードオフに優れた結果をもたらすことを実証的に示す。 このアプローチでは、より高速なトレーニング、メモリフットプリントの削減、強力な差分プライバシー保証のためのユーティリティも実現しています。
  論文  参考訳（メタデータ） (2021-10-06T04:28:33Z)
• CosSGD: Nonlinear Quantization for Communication-efficient Federated Learning [62.65937719264881]
  フェデレーション学習は、これらのクライアントのローカルデータを中央サーバに転送することなく、クライアント間での学習を促進する。 圧縮勾配降下のための非線形量子化を提案し、フェデレーションラーニングで容易に利用することができる。 本システムは,訓練過程の収束と精度を維持しつつ,通信コストを最大3桁まで削減する。
  論文  参考訳（メタデータ） (2020-12-15T12:20:28Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• Ternary Compression for Communication-Efficient Federated Learning [17.97683428517896]
  フェデレートされた学習は、プライバシ保護とセキュアな機械学習に対する潜在的なソリューションを提供する。 本稿では,第3次フェデレーション平均化プロトコル(T-FedAvg)を提案する。 その結果,提案したT-FedAvgは通信コストの低減に有効であり,非IIDデータの性能も若干向上できることがわかった。
  論文  参考訳（メタデータ） (2020-03-07T11:55:34Z)

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。