論文の概要: Blind Federated Learning at the Wireless Edge with Low-Resolution ADC
and DAC
- arxiv url: http://arxiv.org/abs/2010.00350v2
- Date: Fri, 19 Mar 2021 08:19:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 08:54:31.619181
- Title: Blind Federated Learning at the Wireless Edge with Low-Resolution ADC
and DAC
- Title(参考訳): 低分解能ADCとDACを用いた無線エッジにおけるブラインドフェデレーション学習
- Authors: Busra Tegin, Tolga M. Duman
- Abstract要約: 大規模データセットを独立した労働者に分散した協調機械学習システムについて検討する。
我々は送信機と受信機側で低解像度のデジタル・アナログ・コンバータ(DAC)とアナログ・デジタル・コンバータ(ADC)を用いる。
理論解析により,1ビットDACやADCを含む低分解能DACやADCによる障害は,フェデレート学習アルゴリズムの収束を妨げないことが示された。
- 参考スコア(独自算出の注目度): 26.48621646692992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study collaborative machine learning systems where a massive dataset is
distributed across independent workers which compute their local gradient
estimates based on their own datasets. Workers send their estimates through a
multipath fading multiple access channel with orthogonal frequency division
multiplexing to mitigate the frequency selectivity of the channel. We assume
that there is no channel state information (CSI) at the workers, and the
parameter server (PS) employs multiple antennas to align the received signals.
To reduce the power consumption and the hardware costs, we employ
complex-valued low-resolution digital-to-analog converters (DACs) and
analog-to-digital converters (ADCs), at the transmitter and the receiver sides,
respectively, and study the effects of practical low-cost DACs and ADCs on the
learning performance. Our theoretical analysis shows that the impairments
caused by low-resolution DACs and ADCs, including those of one-bit DACs and
ADCs, do not prevent the convergence of the federated learning algorithm, and
the multipath channel effects vanish when a sufficient number of antennas are
used at the PS. We also validate our theoretical results via simulations, and
demonstrate that using low-resolution, even one-bit, DACs and ADCs causes only
a slight decrease in the learning accuracy.
- Abstract(参考訳): 我々は、大規模なデータセットを独立した労働者に分散させ、それぞれのデータセットに基づいて局所勾配推定を計算する協調機械学習システムについて研究する。
作業員は、チャネルの周波数選択性を軽減するために、直交周波数分割多重化を伴うマルチパスフェージングマルチアクセスチャネルを介して見積を送信します。
労働者にはチャネル状態情報(CSI)が存在しないと仮定し、パラメータサーバ(PS)は複数のアンテナを用いて受信した信号を整列する。
電力消費とハードウェアコストの低減を目的として,送信機側と受信機側において,複雑な値の低分解能デジタル-アナログ変換器(dacs)とアナログ-デジタル変換器(adc)を用い,実用的な低コストdacとadcの学習性能への影響について検討した。
理論解析により, 1ビットDACやADCを含む低分解能DACやADCによる障害は, フェデレート学習アルゴリズムの収束を防止せず, 十分な数のアンテナがPSで使用されると, マルチパスチャネル効果は消失することが示された。
また, シミュレーションによる理論結果の検証を行い, 低解像度, 1ビット, dac, adcs を用いた場合, 学習精度がわずかに低下することを示す。
関連論文リスト
- Knowledge Distillation Based Semantic Communications For Multiple Users [10.770552656390038]
本稿では,複数のユーザを対象としたセマンティックコミュニケーション(SemCom)システムについて考察する。
本稿では,トランスフォーマーベースのエンコーダデコーダをセマンティックエンコーダデコーダとして実装し,チャネルエンコーダデコーダとして完全に接続されたニューラルネットワークを実装した知識蒸留(KD)システムを提案する。
数値計算の結果,KDは予期せぬ干渉に適用した場合のロバスト性や一般化能力を大幅に向上し,モデルサイズを圧縮した場合の性能損失を低減できることがわかった。
論文 参考訳(メタデータ) (2023-11-23T03:28:14Z) - Blind Federated Learning via Over-the-Air q-QAM [11.956183457374186]
フェデレートされた複数のチャネル上でのエッジ学習について検討する。
我々は、連合アップリンク・ザ・エアチャネル上での先駆的なデジタル・ザ・エア変調を導入する。
エッジサーバのアンテナ数と高次変調の採用により,精度が最大60%向上することが判明した。
論文 参考訳(メタデータ) (2023-11-07T12:02:59Z) - On Neural Architectures for Deep Learning-based Source Separation of
Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。
我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文 参考訳(メタデータ) (2023-03-11T16:29:13Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳(メタデータ) (2022-05-02T12:23:55Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - Turning Channel Noise into an Accelerator for Over-the-Air Principal
Component Analysis [65.31074639627226]
主成分分析(PCA)は、データセットの線形構造を抽出するための技術です。
勾配降下アルゴリズムに基づくマルチアクセスチャネル上にPCAを配置する手法を提案する。
オーバー・ザ・エア・アグリゲーションはマルチ・アクセスの遅延を減らすために採用され、オーバー・ザ・エア・PCAという名称を与える。
論文 参考訳(メタデータ) (2021-04-20T16:28:33Z) - Federated Learning over Wireless Device-to-Device Networks: Algorithms
and Convergence Analysis [46.76179091774633]
本稿では,無線デバイス対デバイス(d2d)ネットワーク上でのフェデレーション学習(fl)について検討する。
まず、通信効率の良いDSGDアルゴリズムの汎用ディジタルおよびアナログ無線実装を紹介する。
第二に、凸性と接続性の仮定の下で、両実装に収束境界を提供する。
論文 参考訳(メタデータ) (2021-01-29T17:42:26Z) - End-to-end Learning for OFDM: From Neural Receivers to Pilotless
Communication [12.325545487629297]
周波数選択型および時間選択型フェーディングチャネル上でのエンド・ツー・エンド・ラーニングの効果について検討する。
受信機における不完全なチャネル知識により、AWGNチャネルで観測されたシェイピングゲインは消滅する。
他の2つのパフォーマンス改善源を特定します。
論文 参考訳(メタデータ) (2020-09-11T07:33:00Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z)
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。