論文の概要: Hierarchical Asynchronous Federated Learning over Space-Air-Ground Integrated Networks

• arxiv url: http://arxiv.org/abs/2611.01025v1
• Date: Sat, 31 Oct 2026 15:13:06 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:49:45.192808
• Title: Hierarchical Asynchronous Federated Learning over Space-Air-Ground Integrated Networks
• Title（参考訳）: 宇宙空間統合ネットワークにおける階層的非同期フェデレーション学習
• Abstract要約: 本稿では,低地球軌道(LEO)衛星支援非同期学習(FL)フレームワークであるHAFLを提案する。 この内部では、LEOサーバはエッジとして、トレーニングとして、そして、ISL(Inter-Satellite Links)と同じくらいの高さに集約される。 ベンチマークリレーとデータセットに対してHAFLが高速な初期収束と同等の最終的な性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 5.533001852327716
• License:
• Abstract: With the emerging 6G paradigm where AI services operate over decentralized and resource-constrained edge infrastructure, performance of distributed learning algorithms remains a significant challenge. This paper proposes HAFL, a Low Earth Orbit (LEO) satellite-assisted hierarchical asynchronous Federated Learning (FL) framework, enabling resource-limited terrestrial clients to collaborate via Ground-Satellite Links (GSLs). Within this framework, LEO satellites serve multiple roles: as edge servers aggregating and broadcasting models, as clients accelerating training, and as high-throughput relays managing inter-satellite routing through Inter-Satellite Links (ISLs). Unlike conventional synchronous Jacobian-type updates, HAFL employs asynchronous Gauss-Seidel-type updates to enhance convergence speed. We provide theoretical convergences for convex, strongly convex, and nonconvex objectives, respectively, and formulate optimization problems to jointly determine optimal hyperparameters to minimize global training latency. Evaluations demonstrate that HAFL achieves faster initial convergence and comparable final performance for benchmark DNNs and datasets, offering promising FL systems across remote areas with 6G technologies, but much less global rounds and communication cost.
• Abstract（参考訳）: AIサービスが分散化されたリソース制約のあるエッジインフラストラクチャ上で運用される、新たな6Gパラダイムでは、分散学習アルゴリズムのパフォーマンスが依然として大きな課題である。 本稿では,低地球軌道(LEO)衛星を用いた階層型非同期フェデレートラーニング(FL)フレームワークであるHAFLを提案する。 このフレームワークでは、エッジサーバがモデルの集約とブロードキャスト、クライアントがトレーニングを加速する、高スループットリレーがサテライト間ルーティングを管理する、というように、LEO衛星は複数の役割を担っている。 従来の同期ヤコビアン型更新とは異なり、HAFLは収束速度を高めるために非同期ガウス-シーデル型更新を使用する。 我々はそれぞれ凸,強凸,非凸の目的に対する理論的収束を提供し,大域的なトレーニング遅延を最小限に抑えるために最適なハイパーパラメータを共同で決定する最適化問題を定式化する。 評価によると、HAFLは、ベンチマークDNNとデータセットに対して、より高速な初期収束と同等の最終的なパフォーマンスを実現し、6G技術を備えた遠隔地で有望なFLシステムを提供するが、グローバルラウンドや通信コストははるかに少ない。

関連論文リスト

• ParaBlock++: Communication-Computation Parallel Blockwise Hierarchical Federated Learning [5.533001852327716]
  AI駆動サービスがリソース制約のあるインフラストラクチャ上で運用される、新たな6Gパラダイムでは、分散学習アルゴリズムの収束は依然として大きな課題である。 本稿では6G技術で実現された遠隔地におけるフェデレーション学習を実現するために,衛星メガコンステレーション衛星フレームワークであるMathrmParaBlockParaBlockについて紹介する。
  論文  参考訳（メタデータ） (2026-10-31T15:30:03Z)
• OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers [68.73273027298625]
  メガコンステレーションは、宇宙データセンター(SDC)の長期的なビジョンを推進している AirCompはフリースペース(FSO)を学習するためのネットワーク内集約フレームワーク AirVoteは符号勾配(SGD)と多数符号変調(PPM)を統合し、各衛星はPPMタイムスロットを活性化することで局所勾配を伝達する。 OptiVoteは位相依存性電場重ね合わせを位相非依存光強度結合に緩和する。
  論文  参考訳（メタデータ） (2025-12-30T16:40:02Z)
• Joint AoI and Handover Optimization in Space-Air-Ground Integrated Network [48.485907216785904]
  ローアース軌道(LEO)衛星コンステレーションは、地球をカバーし、遅延を減少させる有望な解決策を提供する。 しかし、軌道力学による間欠的カバレッジと間欠的な通信窓に苦しむ。 我々の3層設計では、HAP-地上通信のための高容量衛星間通信と信頼性無線周波数(RF)リンクに、ハイブリッド自由空間光(FSO)リンクを用いる。
  論文  参考訳（メタデータ） (2025-09-16T06:16:56Z)
• HALoS: Hierarchical Asynchronous Local SGD over Slow Networks for Geo-Distributed Large Language Model Training [41.629510958918225]
  大規模言語モデル(LLM)の訓練は、地理的に分散したアクセラレータにますます依存し、地域間での通信の禁止と不均一なハードウェアの利用を引き起こす。 HALoSは,各リージョンにローカルサーバ(LPS)を導入し,地域内リンク間の階層的トラグラーをマージするグローバル非同期最適化フレームワークである。 実験的に、HALoSはジオ分散トレーニングのベースラインよりも7.5倍早く収束し、既存の非同期メソッドを最大2.1倍改善する。
  論文  参考訳（メタデータ） (2025-06-05T00:48:55Z)
• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
  本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。 軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。 提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
  論文  参考訳（メタデータ） (2024-04-02T11:59:58Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Federated learning for LEO constellations via inter-HAP links [0.0]
  ローアース・オービット(LEO)衛星星座は近年、急速に展開している。 このような応用に機械学習(ML)を適用するには、画像などの衛星データを地上局(GS)にダウンロードする従来の方法は望ましいものではない。 既存のFLソリューションは、過剰収束遅延や信頼できない無線チャネルといった大きな課題のために、そのようなLEOコンステレーションのシナリオには適さないことを示す。
  論文  参考訳（メタデータ） (2022-05-15T08:22:52Z)

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。