論文の概要: Communication-Efficient Clustered Federated Learning in Non-IID Wireless Networks

• arxiv url: http://arxiv.org/abs/2610.38970v2
• Date: Tue, 03 Nov 2026 21:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-05 20:19:46.872732
• Title: Communication-Efficient Clustered Federated Learning in Non-IID Wireless Networks
• Title（参考訳）: 非IID無線ネットワークにおける通信効率の高いクラスタ化フェデレーション学習
• Abstract要約: 本稿では、訓練中にクライアントを専門モデルに割り当てるクラスタ化フェデレーション学習フレームワークを提案する。 データドメインクラスタリングはモデルベースのクラスタリングを初期化し、生データを共有せずにクライアントの類似点の識別と利用を可能にする。 その結果,今後の6Gネットワークにおいて,資源効率,高性能な分散学習を実現することが示唆された。
• 参考スコア（独自算出の注目度）: 0.8959668207214766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current and emerging mobile networks face increasing privacy, scalability, and performance challenges as distributed learning becomes essential for advanced 6G services. These challenges are amplified by the presence of non-IID data, naturally arising in heterogeneous wireless environments, that degrade the performance of standard Federated Learning (FL) approaches. To address non-IID data across clients, we propose a Clustered Federated Learning (CFL) framework that assigns clients to specialized models during training. Data-domain clustering initializes model-based clustering, enabling identification and exploitation of client similarities without sharing raw data while reducing communication cost. Motivated by mmWave beam selection, we evaluate our methods on a wireless simulation dataset (DeepMIMO) and complement it with two non-IID benchmarks (FEMNIST, Rotated CIFAR-10) to isolate different non-IID characteristics. Our best configurations improve accuracy over IFCA by 4.8 pp on DeepMIMO and 10.6 pp on FEMNIST while reducing downlink data volume by 83.1 % on FEMNIST compared to IFCA. We demonstrate that different clustering strategies suit different non-IID characteristics. These results show that our CFL methods enable resource-efficient, and high-performance distributed learning in future 6G networks.
• Abstract（参考訳）: 現在のモバイルネットワークと新興のモバイルネットワークは、高度な6Gサービスに分散学習が不可欠になるにつれて、プライバシ、スケーラビリティ、パフォーマンス上の問題に直面している。 これらの課題は、不均一な無線環境で自然に発生する非IIDデータの存在によって増幅され、標準フェデレートラーニング(FL)アプローチのパフォーマンスが低下する。 クライアント間の非IIDデータに対処するため、トレーニング中にクライアントを専門モデルに割り当てるクラスタ化フェデレートラーニング(CFL)フレームワークを提案する。 データドメインクラスタリングは、モデルベースのクラスタリングを初期化し、通信コストを低減しつつ、生データを共有することなく、クライアントの類似点の識別と利用を可能にする。 mmWaveビーム選択により,無線シミュレーションデータセット(DeepMIMO)を用いて2つの非IIDベンチマーク(FEMNIST,Rotated CIFAR-10)を補完し,異なる非IID特性を分離する。 また,FEMNISTでは4.8pp,FEMNISTでは10.6pp,FEMNISTでは8.1%,IFCAでは8.1%,IFCAでは4.8ppの精度が向上した。 我々は、異なるクラスタリング戦略が異なる非IID特性に適合することを実証した。 これらの結果から,今後の6Gネットワークにおいて,資源効率,高性能な分散学習を実現することが示唆された。

関連論文リスト

• FedCLF -- Towards Efficient Participant Selection for Federated Learning in Heterogeneous IoV Networks [11.632031365965878]
  Federated Learning(FL)は、クライアントデータの代わりにトレーニング済みパラメータのみを共有することで、データのプライバシを保存する分散機械学習技術である。 本稿では,クライアントのサンプリング周波数を動的に調整するフィードバック制御機構と選択プロセスにおいて,キャリブレーション損失をユーティリティとして導入する,キャリブレーション損失とフィードバック制御を備えたFedCLFを提案する。
  論文  参考訳（メタデータ） (2025-09-25T04:51:38Z)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• FLASH: Federated Learning Across Simultaneous Heterogeneities [55.0981921695672]
  FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。 ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。 最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
  論文  参考訳（メタデータ） (2024-02-13T20:04:39Z)
• 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)
• SemiSFL: Split Federated Learning on Unlabeled and Non-IID Data [34.49090830845118]
  フェデレートラーニング(FL)は、複数のクライアントがネットワークエッジでプライベートデータ上で機械学習モデルを協調的にトレーニングできるようにするためのものだ。 クラスタリング正規化を取り入れて,ラベルなしおよび非IIDクライアントデータでSFLを実行する,Semi-supervised SFLシステムを提案する。 本システムは,訓練時間の3.8倍の高速化を実現し,目標精度を達成しつつ通信コストを約70.3%削減し,非IIDシナリオで最大5.8%の精度向上を実現する。
  論文  参考訳（メタデータ） (2023-07-29T02:35:37Z)
• Communication-Efficient Diffusion Strategy for Performance Improvement of Federated Learning with Non-IID Data [10.994226932599403]
  非IIDデータを用いたグローバルモデルの性能を最大化するために,機械学習モデル(FedDif)の新たな拡散戦略を提案する。 FedDifはトップ1テストの精度を最大34.89%改善し、通信コストを最大63.49%まで14.6%削減した。
  論文  参考訳（メタデータ） (2022-07-15T14:28:41Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)

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。