論文の概要: Prophet: Proactive Candidate-Selection for Federated Learning by Predicting the Qualities of Training and Reporting Phases

• arxiv url: http://arxiv.org/abs/2002.00577v2
• Date: Tue, 19 May 2020 01:55:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 08:41:03.564485
• Title: Prophet: Proactive Candidate-Selection for Federated Learning by Predicting the Qualities of Training and Reporting Phases
• Title（参考訳）: 預言者:訓練・報告の質を予測したフェデレート学習の積極的な候補選択
• Authors: Huawei Huang, Kangying Lin, Song Guo, Pan Zhou, Zibin Zheng
• Abstract要約: 5Gネットワークでは、トレーニングレイテンシは依然としてフェデレートラーニング(FL)が広く採用されるのを防ぐ障害である。 大きなレイテンシをもたらす最も基本的な問題の1つは、FLの悪い候補選択である。 本稿では,FLの有効候補選択について検討する。
• 参考スコア（独自算出の注目度）: 66.01459702625064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although the challenge of the device connection is much relieved in 5G networks, the training latency is still an obstacle preventing Federated Learning (FL) from being largely adopted. One of the most fundamental problems that lead to large latency is the bad candidate-selection for FL. In the dynamic environment, the mobile devices selected by the existing reactive candidate-selection algorithms very possibly fail to complete the training and reporting phases of FL, because the FL parameter server only knows the currently-observed resources of all candidates. To this end, we study the proactive candidate-selection for FL in this paper. We first let each candidate device predict the qualities of both its training and reporting phases locally using LSTM. Then, the proposed candidateselection algorithm is implemented by the Deep Reinforcement Learning (DRL) framework. Finally, the real-world trace-driven experiments prove that the proposed approach outperforms the existing reactive algorithms
• Abstract（参考訳）: デバイス接続の課題は5Gネットワークで大幅に緩和されているが、トレーニングレイテンシは依然としてフェデレートラーニング(FL)が広く採用されるのを防ぐ障害である。 大きなレイテンシをもたらす最も基本的な問題の1つは、FLの悪い候補選択である。 動的環境では、既存のリアクティブ候補選択アルゴリズムによって選択されたモバイルデバイスは、FLパラメータサーバが現在のすべての候補のリソースしか知らないため、FLのトレーニングおよびレポートフェーズを完了できない可能性がある。 そこで本論文では,FLの有効候補選択について検討する。 まず、LSTMを用いて、各候補装置がトレーニングおよびレポートフェーズの両方の品質を局所的に予測する。 提案する候補選択アルゴリズムは,Deep Reinforcement Learning (DRL)フレームワークによって実装される。 最後に、実世界のトレース駆動実験は、提案手法が既存のリアクティブアルゴリズムを上回ることを証明している。

関連論文リスト

• A Survey of Federated Unlearning: A Taxonomy, Challenges and Future Directions [71.16718184611673]
  プライバシ保護のためのフェデレートラーニング(FL)の進化により、忘れられる権利を実装する必要性が高まっている。 選択的な忘れ方の実装は、その分散した性質のため、FLでは特に困難である。 Federated Unlearning(FU)は、データプライバシの必要性の増加に対応する戦略的ソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Ed-Fed: A generic federated learning framework with resource-aware client selection for edge devices [0.6875312133832078]
  フェデレートラーニング(FL)は、エッジデバイスが協調して統一予測モデルを作成するための顕著な方法として進化してきた。 FLアルゴリズムのシミュレーションには多くの研究フレームワークがあるが、音声認識タスクの包括的な展開は容易ではない。 そこでEd-Fed氏は、将来の実用的FLシステム研究の基礎として、包括的で汎用的なFLフレームワークを紹介した。
  論文  参考訳（メタデータ） (2023-07-14T07:19:20Z)
• DPP-based Client Selection for Federated Learning with Non-IID Data [97.1195165400568]
  本稿では,統合学習(FL)のコミュニケーションボトルネックに対処するクライアント選択(CS)手法を提案する。 まず、FLにおけるCSの効果を分析し、各学習ラウンドにおけるトレーニングデータセットの多様化に参加者を適切に選択することで、FLトレーニングを加速させることができることを示す。 我々は、データプロファイリングと決定点プロセス(DPP)サンプリング技術を活用し、DPPに基づく参加者選択(FL-DP$3$S)によるフェデレートラーニング(Federated Learning)と呼ばれるアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-03-30T13:14:54Z)
• A Survey on Participant Selection for Federated Learning in Mobile Networks [47.88372677863646]
  Federated Learning(FL)は、プライベートデータセットをプライバシ保護の方法で使用する、効率的な分散機械学習パラダイムである。 モバイルネットワークにおける通信帯域が限られており、不安定なデバイスが利用できるため、各ラウンドで選択できる端末はごくわずかである。
  論文  参考訳（メタデータ） (2022-07-08T04:22:48Z)
• On-the-fly Resource-Aware Model Aggregation for Federated Learning in Heterogeneous Edge [15.932747809197517]
  エッジコンピューティングは、フレキシブルでセキュアでパフォーマンスの良い特性のおかげで、モバイルとワイヤレスネットワークの世界に革命をもたらした。 本稿では,中央集約サーバを空飛ぶマスタに置き換えるための戦略を詳細に検討する。 本研究は,EdgeAIテストベッドおよび実5Gネットワーク上で実施した測定結果から,空飛ぶマスターFLフレームワークを用いたランタイムの大幅な削減効果を示した。
  論文  参考訳（メタデータ） (2021-12-21T19:04:42Z)
• Critical Learning Periods in Federated Learning [11.138980572551066]
  フェデレートラーニング(FL)は、機械学習(ML)モデルを分散データでトレーニングする一般的なテクニックである。 FLの最終試験精度は,トレーニングプロセスの初期段階に大きく影響していることがわかった。
  論文  参考訳（メタデータ） (2021-09-12T21:06:07Z)
• Federated Robustness Propagation: Sharing Adversarial Robustness in Federated Learning [98.05061014090913]
  フェデレートラーニング(FL)は、生データを共有することなく、参加するユーザのセットから学習する、人気のある分散ラーニングスキーマとして登場した。 敵対的トレーニング(AT)は集中学習のための健全なソリューションを提供する。 既存のFL技術では,非IDユーザ間の対向的ロバスト性を効果的に広めることができないことを示す。 本稿では, バッチ正規化統計量を用いてロバスト性を伝達する, 単純かつ効果的な伝搬法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T15:52:33Z)
• Budgeted Online Selection of Candidate IoT Clients to Participate in Federated Learning [33.742677763076]
  フェデレートラーニング(FL)は、モデルパラメータがクライアントデータの代わりに交換されるアーキテクチャである。 FLは、コミュニケーションラウンドを通じてクライアントと通信することで、グローバルモデルをトレーニングする。 最適な候補クライアントとIoTクライアントアラームアプリケーションを見つけるために,オンラインステートフルFLを提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:32:31Z)
• Convergence Time Optimization for Federated Learning over Wireless Networks [160.82696473996566]
  無線ユーザが(ローカル収集データを用いて訓練した)ローカルFLモデルを基地局(BS)に送信する無線ネットワークを考える。 中央コントローラとして機能するBSは、受信したローカルFLモデルを使用してグローバルFLモデルを生成し、それを全ユーザにブロードキャストする。 無線ネットワークにおけるリソースブロック(RB)の数が限られているため、ローカルFLモデルパラメータをBSに送信するために選択できるのは一部のユーザのみである。 各ユーザが独自のトレーニングデータサンプルを持っているため、BSは、収束したグローバルFLモデルを生成するために、すべてのローカルユーザFLモデルを含むことを好んでいる。
  論文  参考訳（メタデータ） (2020-01-22T01:55:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。