この記事では、通信効率を改善するために時間トリガー型連合学習（TT-Fed）システムに対して適応的モデルプルーニングを導入し、プルーニング比率と帯域幅の共同最適化問題を研究しています。従来のイベントベースの連合学習に対し、TT-Fedは固定された時間間隔でユーザーを異なる層にクラスタリングしますが、ユーザー端末の増加と限られた無線帯域幅が通信遅延やコストの問題を引き起こします。著者たちは、与えられた遅延閾値のもとで訓練損失を最小化するために、モデルプルーニングを用いた収束解析を行い、KKT条件を用いて無線帯域幅とプルーニング比率の閉形式解を導出しました。シミュレーションの結果、モデルプルーニングにより通信コストを40%削減しつつ、モデルの性能を維持できることが示されています。