論文の概要: Communicate to Learn at the Edge
- arxiv url: http://arxiv.org/abs/2009.13269v1
- Date: Mon, 28 Sep 2020 12:33:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 22:42:59.643334
- Title: Communicate to Learn at the Edge
- Title（参考訳）: エッジで学ぶためにコミュニケーションする
- Authors: Deniz Gunduz, David Burth Kurka, Mikolaj Jankowski, Mohammad Mohammadi
Amiri, Emre Ozfatura, and Sreejith Sreekumar
- Abstract要約: 機械学習技術は、多くの新しいサービスやビジネスを可能にするだけでなく、技術的な課題や研究課題も生み出す。
MLアルゴリズムの成功に重要な2つの要因は、大量のデータと処理能力である。
本稿では,エッジ学習の訓練段階と推論段階の両方において,共同コミュニケーションと学習パラダイムを論じる。
- 参考スコア（独自算出の注目度）: 21.673987528292773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bringing the success of modern machine learning (ML) techniques to mobile
devices can enable many new services and businesses, but also poses significant
technical and research challenges. Two factors that are critical for the
success of ML algorithms are massive amounts of data and processing power, both
of which are plentiful, yet highly distributed at the network edge. Moreover,
edge devices are connected through bandwidth- and power-limited wireless links
that suffer from noise, time-variations, and interference. Information and
coding theory have laid the foundations of reliable and efficient
communications in the presence of channel imperfections, whose application in
modern wireless networks have been a tremendous success. However, there is a
clear disconnect between the current coding and communication schemes, and the
ML algorithms deployed at the network edge. In this paper, we challenge the
current approach that treats these problems separately, and argue for a joint
communication and learning paradigm for both the training and inference stages
of edge learning.
- Abstract（参考訳）: 現代の機械学習(ml)技術をモバイルデバイスに導入することで、多くの新しいサービスやビジネスが可能になるが、技術的および研究上の大きな課題もある。
mlアルゴリズムの成功に不可欠である2つの要因は、大量のデータと処理能力である。
さらに、エッジデバイスは、ノイズ、時間変化、干渉に苦しむ帯域幅と電力制限の無線リンクを介して接続される。
情報と符号化理論は、現代の無線ネットワークにおける応用が大きな成功を収めたチャネル不完全性の存在下で、信頼性と効率のよい通信の基礎を築いた。
しかし、現在の符号化と通信方式と、ネットワークエッジにデプロイされるMLアルゴリズムとの間には明確な断線がある。
本稿では,これらの問題を別々に扱う現在のアプローチに挑戦し,エッジ学習の学習段階と推論段階の両方において,共同コミュニケーションと学習のパラダイムを論じる。
関連論文リスト
- Multiple Access in the Era of Distributed Computing and Edge Intelligence [23.65754442262314]
まず,マルチアクセスエッジコンピューティング(MEC)について検討し,ネットワークのエッジにおけるデータ処理と計算能力の増大に対応するために重要である。
次に,様々な関数を高速かつ効率的に計算する手法として,OTA(Over-the-air)コンピューティングについて検討する。
機械学習(ML)とマルチアクセステクノロジの分離についても、フェデレーションラーニング、強化ラーニング、MLベースのマルチアクセスプロトコルの開発に重点が置かれている。
論文 参考訳（メタデータ） (2024-02-26T11:04:04Z) - Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。
本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
論文 参考訳（メタデータ） (2023-10-08T08:55:03Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - In-Network Learning: Distributed Training and Inference in Networks [10.635097939284753]
我々は,複数のデータストリームと処理ユニットを利用する学習アルゴリズムとアーキテクチャを開発する。
特に、この分析は、推論がネットワークをまたいでどのように伝播し、融合するかを明らかにする。
論文 参考訳（メタデータ） (2021-07-07T18:35:08Z) - Distributed Learning in Wireless Networks: Recent Progress and Future
Challenges [170.35951727508225]
次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。
エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。
本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
論文 参考訳（メタデータ） (2021-04-05T20:57:56Z) - Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。
まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。
次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
論文 参考訳（メタデータ） (2021-02-15T14:19:55Z) - Distributed Machine Learning for Wireless Communication Networks:
Techniques, Architectures, and Applications [1.647426214278143]
分散機械学習(DML)技術は、無線通信にますます応用されている。
大規模、地理的に分散したデプロイメント、ユーザモビリティ、大量のデータなど、無線システムのユニークな特徴は、DML技術の設計に新たな課題をもたらす。
この調査は、無線ネットワークに焦点をあてた、現代的で包括的なDML技術の調査を提供することによって、ギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-12-02T19:53:32Z) - A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning [115.75967665222635]
超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。
ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。
このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
論文 参考訳（メタデータ） (2020-09-13T14:53:01Z) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳（メタデータ） (2020-08-06T12:37:14Z) - 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)
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。