FedOC：無線エッジネットワークにおける重複クライアント中継を用いたマルチサーバーFL
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19398v1発表タイプ：クロス
要旨：マルチサーバー連携学習（FL）は、シングルサーバーFLの通信ボトルネックを軽減する有望なソリューションとして台頭しています。本研究は、異なるエッジサーバー（ES）のカバー範囲が重複する典型的なマルチサーバーFLアーキテクチャに焦点を当てています。このアーキテクチャにおける重要な観察事項として、重複領域にあるクライアントは複数のESからのエッジモデルにアクセスできることが挙げられます。この知見に基づき、これらの重複クライアントの可能性を最大限に活用するように設計された、FedOC（Federated learning with Overlapping Clients）という新規フレームワークを提案します。FedOCでは、重複クライアントは2つの役割を果たすことができます。（1）Relay Overlapping Clients（ROCs）として、隣接するES間でリアルタイムにエッジモデルを転送し、異なるES間のモデル共有を促進します。（2）Normal Overlapping Clients（NOCs）として、エッジモデルの配信時間に基づいてローカルトレーニングの初期モデルを動的に選択し、異なるES領域間の間接的なデータ融合を実現します。FedOCの全体的なワークフローは、次のとおりです。各ラウンドで、各クライアントは最も早く受信したエッジモデルに基づいてローカルモデルをトレーニングし、それぞれのESにモデル集約のために送信します。次に、各ESはROCsによる中継を通じて集約されたエッジモデルを隣接するESに送信します。中継されたモデルを受信すると、各ESは2回目の集約を行い、その後、更新されたモデルをカバーされているクライアントにブロードキャストします。ROCsの存在により、各ESのモデルを分散的に他のESに配信することが可能になり、間接的にセル間のモデル共有とトレーニングプロセスの高速化を実現し、遅延に敏感なエッジ環境に適しています。広範な実験結果により、既存の方法と比較して、本方式の顕著な性能向上を示しています。
原文（英語）を表示
Title (EN): FedOC: Multi-Server FL with Overlapping Client Relays in Wireless Edge Networks
arXiv:2509.19398v1 Announce Type: cross
Abstract: Multi-server Federated Learning (FL) has emerged as a promising solution to mitigate communication bottlenecks of single-server FL. We focus on a typical multi-server FL architecture, where the regions covered by different edge servers (ESs) may overlap. A key observation of this architecture is that clients located in the overlapping areas can access edge models from multiple ESs. Building on this insight, we propose FedOC (Federated learning with Overlapping Clients), a novel framework designed to fully exploit the potential of these overlapping clients. In FedOC, overlapping clients could serve dual roles: (1) as Relay Overlapping Clients (ROCs), they forward edge models between neighboring ESs in real time to facilitate model sharing among different ESs; and (2) as Normal Overlapping Clients (NOCs), they dynamically select their initial model for local training based on the edge model delivery time, which enables indirect data fusion among different regions of ESs. The overall FedOC workflow proceeds as follows: in every round, each client trains local model based on the earliest received edge model and transmits to the respective ESs for model aggregation. Then each ES transmits the aggregated edge model to neighboring ESs through ROC relaying. Upon receiving the relayed models, each ES performs a second aggregation and subsequently broadcasts the updated model to covered clients. The existence of ROCs enables the model of each ES to be disseminated to the other ESs in a decentralized manner, which indirectly achieves intercell model and speeding up the training process, making it well-suited for latency-sensitive edge environments. Extensive experimental results show remarkable performance gains of our scheme compared to existing methods.
Published: 2025-09-24 19:00 UTC