論文の概要: Edge Learning with Unmanned Ground Vehicle: Joint Path, Energy and Sample Size Planning

• arxiv url: http://arxiv.org/abs/2009.03140v1
• Date: Mon, 7 Sep 2020 14:51:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 03:23:10.362037
• Title: Edge Learning with Unmanned Ground Vehicle: Joint Path, Energy and Sample Size Planning
• Title（参考訳）: 無人地上車両によるエッジ学習 : 共同経路, エネルギー, サンプルサイズ計画
• Authors: Dan Liu, Shuai Wang, Zhigang Wen, Lei Cheng, Miaowen Wen, and Yik-Chung Wu
• Abstract要約: 本稿では,無人地上車両(UGV)とエッジ学習(EL)を統合することを提案する。 このようなスキームにより、UGVは様々なIoTデバイスにアプローチすることで通信品質を向上させることができる。
• 参考スコア（独自算出の注目度）: 32.66357889917427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge learning (EL), which uses edge computing as a platform to execute machine learning algorithms, is able to fully exploit the massive sensing data generated by Internet of Things (IoT). However, due to the limited transmit power at IoT devices, collecting the sensing data in EL systems is a challenging task. To address this challenge, this paper proposes to integrate unmanned ground vehicle (UGV) with EL. With such a scheme, the UGV could improve the communication quality by approaching various IoT devices. However, different devices may transmit different data for different machine learning jobs and a fundamental question is how to jointly plan the UGV path, the devices' energy consumption, and the number of samples for different jobs? This paper further proposes a graph-based path planning model, a network energy consumption model and a sample size planning model that characterizes F-measure as a function of the minority class sample size. With these models, the joint path, energy and sample size planning (JPESP) problem is formulated as a large-scale mixed integer nonlinear programming (MINLP) problem, which is nontrivial to solve due to the high-dimensional discontinuous variables related to UGV movement. To this end, it is proved that each IoT device should be served only once along the path, thus the problem dimension is significantly reduced. Furthermore, to handle the discontinuous variables, a tabu search (TS) based algorithm is derived, which converges in expectation to the optimal solution to the JPESP problem. Simulation results under different task scenarios show that our optimization schemes outperform the fixed EL and the full path EL schemes.
• Abstract（参考訳）: エッジコンピューティングをプラットフォームとして使用して機械学習アルゴリズムを実行するエッジラーニング(EL)は、IoT(Internet of Things)によって生成された巨大なセンシングデータを完全に活用することができる。 しかし、IoTデバイスの送信電力が限られているため、ELシステム内のセンシングデータを収集することは難しい課題である。 そこで本研究では,無人地上車両(UGV)とELを統合することを提案する。 このようなスキームにより、UGVは様々なIoTデバイスにアプローチすることで通信品質を向上させることができる。 しかし、異なるデバイスが異なる機械学習ジョブのために異なるデータを送信する可能性があり、基本的な問題は、ugvパス、デバイスのエネルギー消費量、異なるジョブのサンプル数を一緒に計画する方法である。 本稿ではさらに,f-measureをマイノリティクラスサンプルサイズの関数として特徴付ける,グラフベースの経路計画モデル,ネットワークエネルギー消費モデル,サンプルサイズ計画モデルを提案する。 これらのモデルを用いて、ジョイントパス、エネルギ、サンプルサイズ計画(JPESP)問題は、UGV運動に関連する高次元の不連続変数のために解決し難い大規模な混合整数非線形計画(MINLP)問題として定式化される。 これにより、各IoTデバイスが経路に沿って1回だけ提供されることが証明され、問題次元が大幅に削減される。 さらに, 不連続変数を扱うために, jpesp問題の最適解に期待して収束する, tabu search (ts) に基づくアルゴリズムが導出される。 タスクシナリオの違いによるシミュレーション結果から,最適化手法は固定されたELとフルパスELよりも優れていた。

関連論文リスト

• Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
  本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。 コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。 また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
  論文  参考訳（メタデータ） (2024-02-20T23:59:45Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Joint Power Control and Data Size Selection for Over-the-Air Computation Aided Federated Learning [19.930700426682982]
  フェデレートラーニング(FL)は、複数のモバイルデバイスで生成された大量の生データを処理するための、魅力的な機械学習アプローチとして登場した。 本稿では,基地局と移動機器の信号増幅係数を協調的に最適化することを提案する。 提案手法は平均二乗誤差(MSE)を大幅に低減し,FLの性能向上に有効である。
  論文  参考訳（メタデータ） (2023-08-17T16:01:02Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Over-the-Air Multi-Task Federated Learning Over MIMO Interference Channel [17.362158131772127]
  We study over-the-air multi-task FL (OA-MTFL) over the multiple-input multiple-output (MIMO) interference channel。 そこで本研究では,各デバイスに局所勾配をアライメントするモデルアグリゲーション手法を提案する。 新たなモデルアグリゲーション手法を用いることで,デバイス選択はもはや我々の計画に必須ではないことを示す。
  論文  参考訳（メタデータ） (2021-12-27T10:42:04Z)
• 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)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Federated Learning for Physical Layer Design [38.46522285374866]
  Federated Learning (FL) は最近,分散学習スキームとして提案されている。 FLは集中型学習(CL)よりもコミュニケーション効率が高くプライバシーを保ちます。 本稿では,物理層設計問題に対するFLベーストレーニングの最近の進歩について論じる。
  論文  参考訳（メタデータ） (2021-02-23T16:22:53Z)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)
• Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning [18.266087952180733]
  本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。 提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
  論文  参考訳（メタデータ） (2020-10-23T14:59:30Z)

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。