[論文レビュー] Equitable Multi-Task Learning for AI-RANs

Panayiotis Raptis, Fatih Aslan+1 more|arXiv (Cornell University)|Feb 9, 2026

Age of Information Optimization被引用数 0

ひとこと要約

オンライン内オンライン公平マルチタスク学習（OWO-FMTL）を用いて、ダイナミックタスクを持つAI-RAN間で長期的なラウンドレベルの公平性を達成する。二重ループのプライマル–デュアルオンライン学習フレームワークとα-フェアネスを採用。

ABSTRACT

AI-enabled Radio Access Networks (AI-RANs) are expected to serve heterogeneous users with time-varying learning tasks over shared edge resources. Ensuring equitable inference performance across these users requires adaptive and fair learning mechanisms. This paper introduces an online-within-online fair multi-task learning (OWO-FMTL) framework that ensures long-term equity across users. The method combines two learning loops: an outer loop updating the shared model across rounds and an inner loop rebalancing user priorities within each round with a lightweight primal-dual update. Equity is quantified via generalized alpha-fairness, allowing a trade-off between efficiency and fairness. The framework guarantees diminishing performance disparity over time and operates with low computational overhead suitable for edge deployment. Experiments on convex and deep learning tasks confirm that OWO-FMTL outperforms existing multi-task learning baselines under dynamic scenarios.

研究の動機と目的

• 時間変動タスクを持つ異種AI-RANユーザ間の公正な推論性能（AI公平性）を動機づける。
• ダイナミック条件下でラウンド全体の公平性を保証するオンライン継続学習マルチタスク学習フレームワークを開発する。
• 理論的保証を伴う軽量でエッジに優しいプライマル–デュアルアルゴリズムを提供する。
• α-フェアネスと時間とともに縮小する格差を通じて、効率と公平性をトレードオフできることを示す。

提案手法

• AI-RANマルチユーザー学習をオンライン凸最適化問題として定式化し、初期化の外ループとスロット毎の更新の内ループを用意する。
• α-フェアネスを用いてラウンド集計ユーザ有効度を測定し、フェアネス関数の凸共役を用いてプライマル–デュアル問題に変換する。
• プライマル更新にはオンライン勾配上昇法（OGA）を適用し、ユーザー優先度にはデュアル勾配更新を適用して、ラウンド平均フェアネス後悔をサブ線形にする。
• 外ループOGDを用いて初期化x_tを最適化し、内ループの後悔に結びつく上限U_t(x_t)を最小化する。
• 全体のアルゴリズムが凸設定でのRAF後悔に対して1/√mの速度で支配的な境界を達成することを証明する。

Figure 1: Illustration of system’s operation, where at each slot of a round all the participating users transmit the locally extracted features from their own data to the shared model. The shared model processes these features and send the results to the corresponding user, enabling them to complete

実験結果

リサーチクエスチョン

• RQ1 AI-RANにおける複数のダイナミックタスク全体で長期的な公平性（AI公平性）をどのように保証できるのか？
• RQ2 二層のオンライン最適化（外部初期化、内部更新）は敵対的または確率的なタスク列に対してラウンド平均の後悔をサブ線形に達成できるのか？
• RQ3 α-フェアネスはエッジ対応型MTLの学習効率と公平性のトレードオフにどのような影響を与えるのか？
• RQ4 エッジ deployed のための提案されたプライマル–デュアルオンライン手法の計算要件とスケーラビリティはどの程度か？

主な発見

• OWO-FMTLは凸設定でO(1/√m)にスケールするラウンド平均フェアネス後悔をサブ線形に達成する。
• 内側のプライマル–デュアル更新は、各ラウンドのmスロットにわたり公正性を促進するようユーザー有効度を重み付けする。
• 凸カーネル回帰とディープラーニング（MNIST）での実験は、ダイナミック/敵対的シナリオ下でOWO-FMTLがベースラインMTL戦略より優れることを示す。
• フレームワークはエッジRAN展開に適した低い計算オーバーヘッドを維持し、ラウンド間でのパフォーマンス格差を縮小する。
• 外ループの初期化学習は適応速度とラウンド間の最終汎化を改善する。
• アブレーションと比較検討により、動的タスク重み付けが固定タスク重みより公正性と有効度を高くする。

Figure 2: Sublinear fairness regret of OWO-FMTL with respect to $m$ , for $\alpha=1$ (left) and $\alpha=2$ (right), under both stochastic and adversarial environments.