[論文レビュー] Fractional Order Federated Learning for Battery Electric Vehicle Energy Consumption Modeling

Mohammad Partohaghighi, Roummel F. Marcia+2 more|arXiv (Cornell University)|Feb 13, 2026

Electric Vehicles and Infrastructure被引用数 0

ひとこと要約

この論文は、BEVエネルギー消費モデリングのための連合学習オプティマイザ FO-RI-FedAvg を提案する。分数次元ローカル更新と粗さ情報に基づく正則化を用いて、不安定なクライアント参加にもおいて安定性と精度を向上させ、サーバー集約を変更せずに強力なベースラインより性能を改善する。

ABSTRACT

Federated learning on connected electric vehicles (BEVs) faces severe instability due to intermittent connectivity, time-varying client participation, and pronounced client-to-client variation induced by diverse operating conditions. Conventional FedAvg and many advanced methods can suffer from excessive drift and degraded convergence under these realistic constraints. This work introduces Fractional-Order Roughness-Informed Federated Averaging (FO-RI-FedAvg), a lightweight and modular extension of FedAvg that improves stability through two complementary client-side mechanisms: (i) adaptive roughness-informed proximal regularization, which dynamically tunes the pull toward the global model based on local loss-landscape roughness, and (ii) non-integer-order local optimization, which incorporates short-term memory to smooth conflicting update directions. The approach preserves standard FedAvg server aggregation, adds only element-wise operations with amortizable overhead, and allows independent toggling of each component. Experiments on two real-world BEV energy prediction datasets, VED and its extended version eVED, show that FO-RI-FedAvg achieves improved accuracy and more stable convergence compared to strong federated baselines, particularly under reduced client participation.

研究の動機と目的

• BEVのプライバシー保護型エネルギーモデリングを、データが異質で断続的に参加するクライアントを含む環境で実現する。
• 現実の条件下（データのばらつき、接続性の変動）で FedAvg ライク FL におけるクライアントドリフトと不安定性を緩和する。
• 学習を安定化し精度を向上させるための memory-enabled・geometry-aware なローカル最適化を導入する。
• 標準的な FL アーキテクチャと互換性のある軽量でモジュラーな拡張を提供する。
• 実データセット（VED/eVED）を用いたBEVエネルギー消費モデリングで強力なベースラインと比較して有効性を示す。

提案手法

• 分数次元の局所更新と粗さ情報に基づくクライアント特異的正則化を組み合わせた FO-RI-FedAvg を提案する。
• Caputoに触発された代理を用いてメモリ効果を介して SGD 更新を調整する分数次元前処理子 p_t,h^k を導入する（式 10–11）。
• 局所損失 landscape のプローブからクライアント粗さ指標 I_k を計算し、それを用いて近接正規化強度を適応させる（式 20–22）。
• 前処理子をゲートするスペクトル安定性指標を任意で組み込む（式 19–24）。
• 標準の FedAvg サーバ集約とデータウェイト付き平均化（式 3）を維持し、各ステップで軽量な操作を行う。
• VED/eVED データセットを用いたBEVエネルギー消費モデリングに適用し、ウィンドウ化されたエネルギーターゲット（式 25–27）とプライバシー保護型ローカルデータ処理を実施する。

実験結果

リサーチクエスチョン

• RQ1 断続的なクライアント参加下で、局所更新の分数次 memory が FL の安定性と収束にどのように影響するか。
• RQ2 粗さを意識したクライアント特異的正則化は、サーバーサイドの機構を変えずに異質な FL 条件下のドリフトを緩和できるか。
• RQ3 メモリ効果と幾何学的診断を組み合わせると、BEVエネルギー消費モデリングで実質的な精度向上が得られるか。
• RQ4 FO-RI-FedAvg は最小オーバーヘッドで車載展開に実用的なスケーラビリティを持つか。

主な発見

• FO-RI-FedAvg は、クライアント参加が減少した条件下でも強力な連合ベースラインと比較して精度を改善し、収束を安定化させる。
• 本手法は標準の FedAvg サーバ集約を保持し、体現可能な毎-step の要素ごとの処理のみを追加する。
• 粗さ情報を用いた近接正規化はクライアントごとのランドスケープの不整に適応し、局所更新のドリフトを緩和する。
• 分数次元の局所更新は長期的なメモリ動作を導入し、最適化における歴史情報を強調してロバスト性を向上させる。
• 任意のスペクトル診断は高度に異方性な重み空間で更新方向をさらに抑制できる。
• VEDとeVEDデータセットを用いたBEVエネルギー予測タスクの実験は、現実的な連合BEV設定で実用的な有効性を示す。