Tiny Federated Wireless Foundation Models for Resource-Constrained Devices
Notice bibliographique
Résumé
Deploying large-scale foundation models (FMs) in resource-constrained devices presents critical challenges due to their substantial computational and memory requirements. This is particularly relevant for multi-task wireless sensing FMs running on sensors. To overcome these limitations, we propose a tiny federated wireless foundation model (WFM) framework that combines spectrogram-guided structured block-wise pruning with federated learning (FL) for efficient on-device deployment. Our approach prunes non-essential encoder blocks in vision transformers (ViTs) by leveraging the masked spectrogram modeling (MSM) pretraining loss as an importance indicator, ensuring only the most structurally significant components are retained. This enables federated adaptation with frozen backbones and lightweight, task-specific heads, minimizing both computational burden and communication overhead. The pruning strategy preserves the integrity of spectrogram reconstruction, while federated fine-tuning supports decentralized learning across clients with heterogeneous data distributions. Experimental results on human activity sensing and radio signal identification tasks confirm the efficacy of our approach. Specifically, the pruned ViT-based WFMs achieve up to 93% multiply-accumulate operations (MACs) reduction, 85% lower CPU inference time, and 49% reduction in communication overhead, all while maintaining high task accuracy. Our method demonstrates strong generalization and robustness across varying pruning ratios and data heterogeneity levels, while substantially reducing communication overhead, making it highly suitable for real-world industrial IoT deployments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».