FLEX-MoE：リソース制約のあるFLのためのFederated Mixture-of-Experts

Paper#Federated Learning, Mixture-of-Experts, AI🔬 Research|分析: 2026年1月3日 19:16•
公開: 2025年12月28日 20:32
•
1分で読める
•ArXiv

分析

この論文は、Mixture-of-Experts (MoE)モデルをフェデレーテッドラーニング（FL）環境にデプロイする際の課題、特にリソース制約とデータの異質性に焦点を当てています。主な貢献は、クライアントのリソースが限られており、データ分布が非IIDであるFL設定でパフォーマンスを向上させるために、エキスパートの割り当てと負荷分散を最適化するフレームワークであるFLEX-MoEです。この論文の重要性は、エッジデバイスでの大規模な条件付き計算モデルを可能にするための実践的なアプローチにあります。
引用・出典
原文を見る
"FLEX-MoE introduces client-expert fitness scores that quantify the expert suitability for local datasets through training feedback, and employs an optimization-based algorithm to maximize client-expert specialization while enforcing balanced expert utilization system-wide."
A
ArXiv2025年12月28日 20:32
* 著作権法第32条に基づく適法な引用です。
古い記事

Federated Learning With L0 Constraint Via Probabilistic Gates For Sparsity

新しい記事

Robustness of OLS to sample removals: Theoretical analysis and implications

関連分析

Paper

未ポーズ画像からの即時3Dシーン編集

2026年1月3日 06:10

Paper

選択ポリシーを用いた協調型人型ロボット操作

2026年1月3日 06:10

Paper

将来予測のためのLLMフォアキャスティング

2026年1月3日 06:10

原文: ArXiv