論文の概要: Federated Machine Learning for Intelligent IoT via Reconfigurable Intelligent Surface

• arxiv url: http://arxiv.org/abs/2004.05843v1
• Date: Mon, 13 Apr 2020 09:48:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 00:37:14.494497
• Title: Federated Machine Learning for Intelligent IoT via Reconfigurable Intelligent Surface
• Title（参考訳）: 再構成可能なインテリジェントサーフェスによるインテリジェントIoTのためのフェデレーション機械学習
• Authors: Kai Yang, Yuanming Shi, Yong Zhou, Zhanpeng Yang, Liqun Fu, and Wei Chen
• Abstract要約: 我々は,インテリジェントIoTネットワークのための,オーバー・ザ・エアに基づく通信効率の高いフェデレーション機械学習フレームワークを開発した。 モデル集約誤差を低減するために,マルチアクセスチャネルの波形重畳特性を利用する。
• 参考スコア（独自算出の注目度）: 35.64178319119883
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent Internet-of-Things (IoT) will be transformative with the advancement of artificial intelligence and high-dimensional data analysis, shifting from "connected things" to "connected intelligence". This shall unleash the full potential of intelligent IoT in a plethora of exciting applications, such as self-driving cars, unmanned aerial vehicles, healthcare, robotics, and supply chain finance. These applications drive the need of developing revolutionary computation, communication and artificial intelligence technologies that can make low-latency decisions with massive real-time data. To this end, federated machine learning, as a disruptive technology, is emerged to distill intelligence from the data at network edge, while guaranteeing device privacy and data security. However, the limited communication bandwidth is a key bottleneck of model aggregation for federated machine learning over radio channels. In this article, we shall develop an over-the-air computation based communication-efficient federated machine learning framework for intelligent IoT networks via exploiting the waveform superposition property of a multi-access channel. Reconfigurable intelligent surface is further leveraged to reduce the model aggregation error via enhancing the signal strength by reconfiguring the wireless propagation environments.
• Abstract（参考訳）: iot(intelligent internet-of-things)は、人工知能と高次元データ分析の進歩によって、"コネクテッドモノ(connected things)"から"コネクテッドインテリジェンス(connected intelligence)"に移行した。 これは、自動運転車、無人航空機、ヘルスケア、ロボティクス、サプライチェーンファイナンスなど、多くのエキサイティングなアプリケーションにおいて、インテリジェントIoTの可能性を最大限に活用する。 これらのアプリケーションは、大規模なリアルタイムデータで低レイテンシな決定を下すことができる革命的計算、通信、人工知能技術の開発を促進する。 この目的のために、デバイスプライバシとデータセキュリティを保証しつつ、ネットワークエッジのデータからインテリジェンスを分離するために、破壊的技術としてのフェデレーション機械学習が登場している。 しかしながら、通信帯域幅の制限は、無線チャネル上のフェデレーション機械学習におけるモデル集約の重要なボトルネックである。 本稿では、マルチアクセスチャネルの波形重畳特性を利用して、インテリジェントIoTネットワークのための無線計算に基づく通信効率の高いフェデレーション機械学習フレームワークを開発する。 再構成可能なインテリジェントサーフェスはさらに、無線伝搬環境を再構成することで信号強度を高め、モデル集約エラーを低減するために活用される。

関連論文リスト

• Distributed Swarm Learning for Edge Internet of Things [28.125744688546842]
  IoT(Internet of Things)の急速な成長により、マシンラーニングタスクのための無線エッジにスマート計算デバイスが広くデプロイされている。 本稿では,Swarmセキュリティ,非制約無線通信,プライバシ問題などのリスクについて検討する。 生物学的インテリジェンスを総合的に組み合わせて、エッジ無線ネットワークにおける大規模IoTの効率的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-29T14:05:40Z)
• Large Language Models Empowered Autonomous Edge AI for Connected Intelligence [51.269276328087855]
  エッジ人工知能(Edge AI)は、コネクテッドインテリジェンスを実現するための有望なソリューションである。 この記事では、ユーザのさまざまな要件を満たすために自動的に組織化し、適応し、最適化する、自律的なエッジAIシステムのビジョンを示す。
  論文  参考訳（メタデータ） (2023-07-06T05:16:55Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• Topics in Deep Learning and Optimization Algorithms for IoT Applications in Smart Transportation [0.0]
  この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。 第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。 第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。 最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
  論文  参考訳（メタデータ） (2022-10-13T11:45:30Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Pervasive AI for IoT Applications: Resource-efficient Distributed Artificial Intelligence [45.076180487387575]
  人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。 これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。 広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
  論文  参考訳（メタデータ） (2021-05-04T23:42:06Z)
• Communication-Efficient Edge AI Inference Over Wireless Networks [33.1306043471745]
  我々は、低レイテンシでエネルギー効率のよいAIサービスを提供するために、ネットワークエッジにモデル推論を効率的に配置する原則を提示する。 これには、低遅延デバイス分散モデル推論のための無線分散コンピューティングフレームワークと、エネルギー効率の良いエッジ協調モデル推論のための無線協調送信戦略が含まれる。
  論文  参考訳（メタデータ） (2020-04-28T08:04:06Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
  エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。 このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。 AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
  論文  参考訳（メタデータ） (2020-02-22T09:27:55Z)

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。