大規模IoTネットワークにおける小規模データセット向けのエネルギー効率の高いフェデレーテッド・エッジ学習

arXiv cs.LG / 2026/4/14

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、エッジ側における厳しいエネルギーおよび資源制約の下で、異種で小規模なデータセットを用いる大規模IoTネットワークがどのようにより良い学習を実現できるかを扱う。
学習サンプル数と学習目標を結び付けるための期待学習損失を導出し、それをデータ変動下での最適化を導くために用いる。
分散型のオンライン学習アルゴリズムを提案し、収束の上界を含む資源最適化問題を定式化する。
フェデレーテッド・エッジ環境において大規模な最適化を効率的に、かつ高いスケーラビリティで解くためのオンライン分散アルゴリズムを導入する。
シミュレーションおよび自律移動のケーススタディ（衝突回避）により、最先端のベンチマークと比べて学習性能と資源効率が向上することを示す。

Abstract

大規模なインターネット・オブ・シングズ（IoT）ネットワークは、スマートシティや自動運転のような知的サービスを可能にしますが、多くの場合、資源制約に直面します。特に小規模データセットでは、異種の感覚データを収集することが難しく、独立したエッジノードによって資源利用が非効率になり、学習性能が低下する可能性があります。これらの課題に対処するため、本論文では、小規模データセットを対象としたエネルギー効率の高いフェデレーテッド・エッジ学習のための協調最適化フレームワークを提案します。まず、訓練サンプル数と学習目標との関係を定量化するために、期待学習損失を導出します。次に、データの変動に適応する確率的オンライン学習アルゴリズムを設計し、収束に関する上界を持つ資源最適化問題を定式化します。最後に、大規模な最適化問題を高いスケーラビリティで効率的に解く、オンライン分散アルゴリズムを提示します。大規模なシミュレーションと、衝突回避を伴う自律航行のケーススタディにより、提案手法は最先端のベンチマークと比較して、学習性能および資源効率を大幅に改善することを示します。