WEKO3
アイテム
異種エッジ・クラウド環境におけるスケーラブルで資源効率の高い連合学習に関する研究
https://doi.org/10.15118/0002000462
https://doi.org/10.15118/00020004621e651137-7a85-4f58-84f5-b36cda53da4d
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
A569.pdf (7 MB)
|
|
|
|
A569_abstract.pdf (373 KB)
|
|
| アイテムタイプ | 学位論文 / Thesis or Dissertation(1) | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2026-06-04 | |||||||||||
| タイトル | ||||||||||||
| タイトル | 異種エッジ・クラウド環境におけるスケーラブルで資源効率の高い連合学習に関する研究 | |||||||||||
| 言語 | ja | |||||||||||
| タイトル | ||||||||||||
| タイトル | Toward Scalable and Resource-Efficient Federated Learning in Heterogeneous Edge-Cloud Systems | |||||||||||
| 言語 | en | |||||||||||
| 言語 | ||||||||||||
| 言語 | eng | |||||||||||
| 資源タイプ | ||||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_db06 | |||||||||||
| 資源タイプ | doctoral thesis | |||||||||||
| ID登録 | ||||||||||||
| ID登録 | 10.15118/0002000462 | |||||||||||
| ID登録タイプ | JaLC | |||||||||||
| アクセス権 | ||||||||||||
| アクセス権 | open access | |||||||||||
| アクセス権URI | http://purl.org/coar/access_right/c_abf2 | |||||||||||
| 著者 |
エ, チン
× エ, チン
|
|||||||||||
| 抄録 | ||||||||||||
| 内容記述タイプ | Abstract | |||||||||||
| 内容記述 | 近年，エッジデバイスやクラウド環境に分散したデータを活用しつつ，プライバシを保護した機械学習を実現する手法として，フェデレーテッドラーニング（Federated Learning，FL）が注目を集めている。FLは，医療，IoT，モバイルネットワークなど多様な分野への応用が期待されている一方で，モデル規模の大規模化やネットワーク環境の高度な異種性に伴い，スケーラビリティに関する深刻な課題を抱えている。特に，クライアント間の統計的・システム的異種性，動的な無線環境下における非効率な通信，および大規模言語モデルの学習に伴う計算・通信コストの増大が，FLの実用化を制約する主要因となっている。 本論文では，これらの課題を克服し，異種なエッジ・クラウド環境においてスケーラブルかつ資源効率的なFLを実現することを目的として，三つの相補的な研究課題に取り組む。第一に，計算および通信の異種性を考慮した階層型FLフレームワークを提案する。本手法は，低ランク適応（LoRA），モデル量子化，およびスパース通信を統合し，深層強化学習を用いてクライアント・エッジ・クラウド各階層における学習時間および伝送時間を動的に制御することで，ストラグラ問題を緩和し，学習収束の高速化を実現する。第二に，大規模言語モデルに対するFLの通信効率向上を目的として，グループベースの階層的集約手法を提案する。クライアントを通信効率の高い複数のグループに分割し，段階的にモデル集約を行うことで，帯域消費を削減し，LLM学習における通信ボトルネックを緩和する。第三に，モバイルエッジ環境を対象とし，ユーザ分布，端末間直接通信（D2D）接続性，およびデータ類似度を考慮したトポロジ指向型FLフレームワークを構築する。本手法により，通信遅延を低減し，動的環境下でも効率的なモデル収束を達成する。以上の研究を通じて，本論文は，トポロジ最適化，通信効率化，および階層的知的制御を統合した統一的なFLフレームワークを構築し，資源制約下における大規模モデルの実用的展開に貢献する。 |
|||||||||||
| 言語 | ja | |||||||||||
| 抄録 | ||||||||||||
| 内容記述タイプ | Abstract | |||||||||||
| 内容記述 | Federated learning (FL) has emerged as a key paradigm for enabling distributed and privacy-preserving model training across edge-cloud infrastructures. However, its scalability faces critical challenges as model sizes continue to increase and network environments become increasingly heterogeneous. In particular, FL performance is often constrained by statistical and system heterogeneity among clients, inefficient communication in dynamic wireless networks, and the high computational and communication costs of training large models under strict resource constraints. In this dissertation, three complementary research directions are proposed to achieve scalable and resource-efficient FL in heterogeneous edge-cloud systems. Specifically, the first work presents a hierarchical optimization framework that addresses system-level heterogeneity. The framework integrates low-rank adaptation, model quantization, and sparsification techniques to reduce local training and transmission costs. To cope with dynamic system conditions and heterogeneous client capabilities, the joint control of training time, data volume, and communication resources is formulated as a sequential decision-making problem and solved using deep reinforcement learning. By dynamically allocating training and transmission time across client–edge–cloud tiers, the proposed framework effectively mitigates straggler effects and accelerates convergence. Moreover, the second work introduces a group-based hierarchical aggregation strategy. Clients are organized into communication-efficient groups, where local updates are first aggregated at the group level before being transmitted to the cloud server. This hierarchical aggregation mechanism significantly reduces global communication overhead, alleviates bandwidth bottlenecks, and improves training scalability for LLMs. The client grouping problem is shown to be NP-hard, and practical community detection–based solutions are employed to balance efficiency and computational complexity. Finally, the third work develops a topology-aware client selection and communication optimization framework that jointly considers user distribution, device-to-device (D2D) connectivity, and data similarity, thereby accelerating model convergence and reducing latency in mobile edge environments. The proposed approach achieves substantial improvements in convergence speed, communication efficiency, and resource utilization compared to conventional federated learning schemes. Collectively, these studies establish a unified framework for topology-optimized, communication-efficient, and hierarchically intelligent FL, enabling the scalable deployment of large models in complex and resource-constrained edge-cloud systems. |
|||||||||||
| 言語 | en | |||||||||||
| 学位授与機関 | ||||||||||||
| 学位授与機関識別子Scheme | kakenhi | |||||||||||
| 学位授与機関識別子 | 10103 | |||||||||||
| 学位授与機関名 | 室蘭工業大学 | |||||||||||
| 言語 | ja | |||||||||||
| 学位授与機関名 | Muroran Institute of Technology | |||||||||||
| 言語 | en | |||||||||||
| 学位名 | ||||||||||||
| 学位名 | 博士（工学） | |||||||||||
| 言語 | ja | |||||||||||
| 学位の種別 | ||||||||||||
| 言語 | ja | |||||||||||
| 値 | 課程博士 | |||||||||||
| 学位授与番号 | ||||||||||||
| 学位授与番号 | 甲第569号 | |||||||||||
| 報告番号 | ||||||||||||
| 言語 | ja | |||||||||||
| 値 | 甲第569号 | |||||||||||
| 学位記番号 | ||||||||||||
| 言語 | ja | |||||||||||
| 値 | 博甲第569号 | |||||||||||
| 研究科・専攻 | ||||||||||||
| 言語 | ja | |||||||||||
| 値 | 工学専攻 | |||||||||||
| 学位授与年月日 | ||||||||||||
| 学位授与年月日 | 2026-03-23 | |||||||||||
| 著者版フラグ | ||||||||||||
| 出版タイプ | VoR | |||||||||||
| 出版タイプResource | http://purl.org/coar/version/c_970fb48d4fbd8a85 | |||||||||||
