論文の概要: Domain-Aware Hierarchical Federated Learning for UAV Swarms Across Heterogeneous Environments

• arxiv url: http://arxiv.org/abs/2611.01812v1
• Date: Sun, 01 Nov 2026 11:28:04 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:05:39.748829
• Title: Domain-Aware Hierarchical Federated Learning for UAV Swarms Across Heterogeneous Environments
• Title（参考訳）: 不均一環境におけるUAVスワーミングのドメイン認識階層的フェデレーション学習
• Abstract要約: 本稿では無人航空機(UAV)群に対するドメイン認識型HFL(DA-HFL)を提案する。 モビリティインフォームドクラスタリング、クラスタレベルのアグリゲーション、クラウドベースのFisher-weighted merging、ドメインサイドの共有バックボーン、環境固有のヘッド、およびローカル適応によるゲート推論を統合している。
• 参考スコア（独自算出の注目度）: 7.243134657892537
• License:
• Abstract: Hierarchical federated learning (HFL) enables communication-efficient training in unmanned aerial vehicle (UAV) swarms, but performance degrades under changing and heterogeneous environments. This paper proposes domain-aware HFL (DA-HFL), integrating mobility-informed clustering, cluster-level aggregation, cloud-based Fisher-weighted merging, a domain-adversarial shared backbone, environment-specific heads, and gated inference with local adaptation. A mission-weighted optimization formulation incorporates energy, latency, and cluster-head eligibility constraints. Theoretical analysis establishes resource feasibility, a conditional backbone-stationarity bound, the quadratic optimality of Fisher-weighted merging, and communication and computation complexity bounds. Simulations across four heterogeneous environments demonstrate faster convergence, improved accuracy during environmental transitions, and more stable, purer clusters than the evaluated baselines, with modest energy overhead over resource-aware HFL. Ablation studies validate the contributions of the proposed components.
• Abstract（参考訳）: 階層的連合学習(HFL)は、無人航空機(UAV)群における通信効率の訓練を可能にするが、変化と異種環境下での性能は低下する。 本稿では,モビリティ・インフォームド・クラスタリング,クラスタレベルの集約,クラウドベースのFisher-weighted merging,ドメイン・アドバイサル共有バックボーン,環境固有のヘッド,およびローカル適応によるゲート推論を統合したドメイン・アウェア・HFL(DA-HFL)を提案する。 ミッション重み付け最適化の定式化には、エネルギー、レイテンシ、クラスタヘッドの適性制約が含まれている。 理論的解析は、資源実現可能性、条件付きバックボーン-定常性境界、フィッシャー重み付けマージの2次最適性、通信および計算複雑性境界を確立する。 4つの異種環境にまたがるシミュレーションは、より高速な収束、環境遷移の精度の向上、評価ベースラインよりも安定的で純粋なクラスタ、そしてリソースを意識したHFLよりも穏やかなエネルギーオーバーヘッドを示す。 アブレーション研究は、提案された構成要素の寄与を検証する。

関連論文リスト

• Efficient Neural Field Learning via Adaptive Coverage and Focused Sampling [35.56617125359153]
  ACESは、カバレッジと重要性を分離することで、トレーニング効率を向上させる構造化サンプリングフレームワークである。 ACESは適応的な空間分割を構築し、ドメインカバレッジを確保し、冗長性を低減します。 科学フィールド学習タスクの実験では、ACESは一様および一様適応サンプリングベースラインよりも早く収束し、エラーが少ないことが示されている。
  論文  参考訳（メタデータ） (2026-10-01T19:35:59Z)
• Towards Serverless Semi-Decentralized Federated Learning with Heterogeneous Optimizers [49.91939413642465]
  分散化連合学習(FL)におけるクラスタの形成、クラスタの数と構成について検討する。 永続的なサーバインフラストラクチャを必要としない手法として,サーバレス半分散FL(SSD-FL)を提案する。 SSD-FLは、グローバルラウンドをクラスタ内およびクラスタ間システムに分割し、グローバルコンセンサスとコンセンサスを確保する。
  論文  参考訳（メタデータ） (2026-06-04T20:05:18Z)
• 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)
• Towards Heterogeneity-Aware and Energy-Efficient Topology Optimization for Decentralized Federated Learning in Edge Environment [11.034856549533885]
  フェデレートラーニング(FL)はエッジコンピューティング(EC)システムにおいて有望なパラダイムとして登場した。 異種認識とコセット有効分散学習(DFL)フレームワークであるHat-DFedを提案する。
  論文  参考訳（メタデータ） (2025-08-01T03:07:32Z)
• Cluster-Aware Multi-Round Update for Wireless Federated Learning in Heterogeneous Environments [25.405210975577834]
  本稿では、類似したデータと通信特性を持つグループデバイスとの事前知識の類似性を活用するクラスタリング戦略を提案する。 クラスタを基本単位として扱い、クラスタ化されたコントリビューションしきい値に基づいてローカル更新頻度を調整する新しいクラスタ・アウェア・マルチラウンド・アップデート(CAMU)戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-06T02:48:48Z)
• 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)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Asymmetrically Decentralized Federated Learning [22.21977974314497]
  分散フェデレーションラーニング(DFL)が出現し、ピアツーピア(P2P)通信フレームワークでサーバを破棄する。 本稿では,非対称トポロジに基づくPush-Awareプロトコルを用いたDFedSGPSMアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-08T09:46:26Z)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)

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。