Hierarchical Multimodal Federated Learning Over Cell-Free Massive MIMO Systems
Notice bibliographique
Résumé
Cell-Free massive MIMO (CF-mMIMO) is a promising technology for enabling Federated Learning (FL) in the next generation of wireless networks due to its uniform service coverage. However, existing approaches that optimize FL over CF-mMIMO networks rely on a single Control Unit (CU), limiting scalability in terms of geographic coverage and user participation, while also overlooking multi-modal data heterogeneity, which further increases latency. To address these challenges, we propose Hierarchical Multimodal Federated Learning (HMFL) over CF-mMIMO networks, which employs multiple CUs, managed by a Cloud Data Center (CDC). Instead of a single CU for global aggregation, HMFL uses a hierarchical approach where each CU aggregates local updates from the users before forwarding the edge models to the CDC for global aggregation. Moreover, we formulate an optimization problem for long-term decision-making in HMFL over CF-mMIMO networks, aiming to balance latency and user participation under a long-term energy budget. To solve this problem, we propose Long-Term Device-Modality Selection and Resource Allocation (LT-DeMoSRA) that employs optimization techniques to enable per-round decision-making with a long-term perspective over CUs without requiring future information. Additionally, our HMFL framework personalizes the fusion process based on the available modalities for each user, ensuring more adaptive and efficient multi-modal learning. Experimental results demonstrate that HMFL over multi-CU CF-mMIMO networks supports a larger number of users and outperforms existing alternatives by reducing training latency and improving user participation for both unimodal and multimodal data.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,011 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».