6Gにおけるプライバシー保護型身体知能のためのモダリティ分離連合学習

- 6G 無線網での大規模 embodied intelligence 向けに、VLA モデルを分散ロボットで学習・適応させるための FedMVLA を提案。 - vision・language・action の各モダリティを分離して扱う modality-decoupled な federated learning (FL) フレームワーク。 - 3 機構 MAFA・MAPA・MACO と modality-sliced transport を統合し、プライバシー保護・通信効率・モデル異質性に対処。

- 既存 FL は vision・language・action 経路の parameter scale、privacy exposure、update dynamics、compression/perturbation 耐性の本質的差異を無視。 - FedMVLA はモダリティ別に集約・プライバシー配分・圧縮を設計し、これらの差異を明示的に扱う点が新しい。 - ケーススタディで FedAvg を 22.2 ポイント上回る 84.8% のタスク成功率を報告。

- modality-aware federated aggregation (MAFA)：モダリティごとの特性を考慮した集約。 - modality-aware privacy allocation (MAPA)：モダリティ別のプライバシー配分。 - modality-aware communication compression (MACO)：モダリティ別の通信圧縮。 - modality-sliced transport：精度重要度の高い action stream を保護された ultra-reliable low-latency slice にルーティング。

- 3GPP ベースの無線基盤上での federated robotic manipulation ケーススタディ。 - fading、co-channel interference、malicious jamming を含む条件で評価。 - タスク成功率 84.8%、FedAvg 比 +22.2 ポイント、8 セル・128 クライアントへのスケールで差が拡大。 - スケジュール平均のクライアント当たり uplink model-update payload を 95.6% 削減、round-critical uplink completion time の p95 は約 1.5s。

- 要旨からは不明。 - ケーススタディの条件や限界、他手法との詳細比較、プライバシー保証の厳密性などは記述されていない。

- FedAvg（比較対象として明示）。 - vision-language-action (VLA) モデル。 - federated learning (FL) の既存手法。 - 3GPP ベースの無線基盤・ultra-reliable low-latency slice 関連。 - その他は要旨からは不明。