論文の概要: Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms

• arxiv url: http://arxiv.org/abs/2002.08196v2
• Date: Wed, 10 Jun 2020 16:19:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-12-30 13:53:10.621772
• Title: Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms
• Title（参考訳）: 空における連合学習--uavスウォームを用いた協調電力割当とスケジューリング
• Authors: Tengchan Zeng, Omid Semiari, Mohammad Mozaffari, Mingzhe Chen, Walid Saad, and Mehdi Bennis
• Abstract要約: 無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 98.78553146823829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned aerial vehicle (UAV) swarms must exploit machine learning (ML) in order to execute various tasks ranging from coordinated trajectory planning to cooperative target recognition. However, due to the lack of continuous connections between the UAV swarm and ground base stations (BSs), using centralized ML will be challenging, particularly when dealing with a large volume of data. In this paper, a novel framework is proposed to implement distributed federated learning (FL) algorithms within a UAV swarm that consists of a leading UAV and several following UAVs. Each following UAV trains a local FL model based on its collected data and then sends this trained local model to the leading UAV who will aggregate the received models, generate a global FL model, and transmit it to followers over the intra-swarm network. To identify how wireless factors, like fading, transmission delay, and UAV antenna angle deviations resulting from wind and mechanical vibrations, impact the performance of FL, a rigorous convergence analysis for FL is performed. Then, a joint power allocation and scheduling design is proposed to optimize the convergence rate of FL while taking into account the energy consumption during convergence and the delay requirement imposed by the swarm's control system. Simulation results validate the effectiveness of the FL convergence analysis and show that the joint design strategy can reduce the number of communication rounds needed for convergence by as much as 35% compared with the baseline design.
• Abstract（参考訳）: 無人航空機(UAV)は、協調軌道計画から協調目標認識まで様々なタスクを実行するために機械学習(ML)を利用する必要がある。 しかし、UAVスワムと地上基地局(BS)の連続的な接続が欠如しているため、特に大量のデータを扱う場合、集中型MLの使用は困難である。 本稿では,主要なUAVとそれに続くUAVからなるUAVスワム内に,分散フェデレーション学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。 その後のUAVは、収集したデータに基づいてローカルFLモデルをトレーニングし、このトレーニングされたローカルモデルを主要なUAVに送信し、受信したモデルを集約し、グローバルFLモデルを生成し、スワームネットワーク上でフォロワーに送信する。 風や機械振動による電波の減衰、伝達遅延、UAVアンテナ角の偏差などの無線要因がFLの性能に与える影響を明らかにするため、FLの厳密な収束解析を行う。 そこで, コンバージェンス時のエネルギー消費とSwarmの制御系に課される遅延要件を考慮しつつ, FLの収束率を最適化するために, 連系電力割当とスケジューリング設計を提案する。 シミュレーションの結果,fl収束解析の有効性を検証し,統合設計戦略がベースライン設計と比較して,収束に必要な通信ラウンド数を最大35%削減できることを示した。

関連論文リスト

• Wireless Federated Learning over UAV-enabled Integrated Sensing and Communication [2.8203310972866382]
  本稿では,無人航空機(UAV)を利用した統合型統合学習(FL)における新しい遅延最適化問題について検討する。 ベンチマーク方式と比較して,システム遅延を最大68.54%削減し,高品質な近似解を求めるため,単純かつ効率的な反復アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-01T14:25:24Z)
• Towards Reliable Participation in UAV-Enabled Federated Edge Learning on Non-IID Data [22.775113283662883]
  Federated Learning(FL)は、多くの参加者が共同でMLモデルをトレーニングできる、分散機械学習(ML)技術である。 FLは、悪意のあるUAVが有毒なローカルモデルをFLサーバーにアップロードする攻撃によって標的にすることができる。 本稿では,信頼性の高い高速UAVを優先することで収束性を高める新しいクライアント選択方式を提案する。
  論文  参考訳（メタデータ） (2023-12-16T10:35:06Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• UAV Swarm-enabled Collaborative Secure Relay Communications with Time-domain Colluding Eavesdropper [115.56455278813756]
  航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。 本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
  論文  参考訳（メタデータ） (2023-10-03T11:47:01Z)
• Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization [16.265792031520945]
  フェデレートラーニング(FL)には、ローカルデータを転送することなく、共有モデルを協調的にトレーニングする複数のデバイスが含まれる。 FLは通信のオーバーヘッドを減らし、エネルギー資源の少ないUAV強化無線ネットワークにおいて有望な学習方法となる。 この可能性にもかかわらず、UAVに強化されたネットワークにFLを実装することは困難であり、カバー範囲を最大化する従来のUAV配置手法はFL遅延を増大させる。
  論文  参考訳（メタデータ） (2023-08-31T17:50:54Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
  垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。 UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。 GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
  論文  参考訳（メタデータ） (2021-12-26T14:41:52Z)
• Over-the-Air Federated Learning with Retransmissions (Extended Version) [21.37147806100865]
  資源制約のある無線ネットワーク上でのフェデレート学習(FL)の収束に対する推定誤差の影響について検討する。 資源制約のある無線ネットワーク上でFL収束を改善する手法として再送信を提案する。
  論文  参考訳（メタデータ） (2021-11-19T15:17:15Z)
• Federated Learning Over Cellular-Connected UAV Networks with Non-IID Datasets [19.792426676330212]
  フェデレートラーニング(FL)は有望な分散ラーニング技術である。 本稿では,セルラー接続型無人航空機(UAV)ネットワーク上での新しいFLモデルを提案する。 本稿では,セル接続型UAVネットワークにおけるアップリンク停止確率の抽出可能な解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-13T23:15:20Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)

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。