論文の概要: Adaptive Federated Learning and Digital Twin for Industrial Internet of
Things
- arxiv url: http://arxiv.org/abs/2010.13058v2
- Date: Sun, 1 Nov 2020 02:53:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 05:05:30.943511
- Title: Adaptive Federated Learning and Digital Twin for Industrial Internet of
Things
- Title(参考訳): 産業用iotのための適応型連合学習とデジタルツイン
- Authors: Wen Sun, Shiyu Lei, Lu Wang, Zhiqiang Liu, and Yan Zhang
- Abstract要約: 産業用IoT(Industrial Internet of Things)は、動的およびリアルタイムな産業用デバイスによって異なる分散インテリジェントサービスを可能にし、Industrial 4.0のメリットを享受する。
我々は,デジタル双生児が産業機器の特徴を捉え,連合学習を支援する,デジタル双生児による産業用IoTの新たなアーキテクチャを検討する。
ディジタル双生児はデバイス状態の実際の値から推定偏差をもたらす可能性があることに気付き、フェデレーション学習において信頼に基づく集約を提案し、そのような偏差の影響を軽減する。
- 参考スコア(独自算出の注目度): 15.102870055701123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial Internet of Things (IoT) enables distributed intelligent services
varying with the dynamic and realtime industrial devices to achieve Industry
4.0 benefits. In this paper, we consider a new architecture of digital twin
empowered Industrial IoT where digital twins capture the characteristics of
industrial devices to assist federated learning. Noticing that digital twins
may bring estimation deviations from the actual value of device state, a
trusted based aggregation is proposed in federated learning to alleviate the
effects of such deviation. We adaptively adjust the aggregation frequency of
federated learning based on Lyapunov dynamic deficit queue and deep
reinforcement learning, to improve the learning performance under the resource
constraints. To further adapt to the heterogeneity of Industrial IoT, a
clustering-based asynchronous federated learning framework is proposed.
Numerical results show that the proposed framework is superior to the benchmark
in terms of learning accuracy, convergence, and energy saving.
- Abstract(参考訳): 産業用iot(industrial internet of things)は、動的およびリアルタイムの産業用デバイスで異なる分散インテリジェントサービスを実現する。
本稿では,デジタル双生児が産業機器の特徴を捉え,連携学習を支援する,デジタル双生児による産業用IoTの新しいアーキテクチャについて考察する。
ディジタル双生児はデバイス状態の実際の値から推定偏差をもたらす可能性があることに気付き、フェデレーション学習において信頼に基づく集約を提案し、そのような偏差の影響を軽減する。
lyapunov動的欠陥キューと深層強化学習に基づいて,連合学習の集約頻度を適応的に調整し,資源制約下での学習性能を向上させる。
産業用iotの多様性にさらに適応するために,クラスタリングに基づく非同期フェデレーション学習フレームワークを提案する。
提案手法は, 学習精度, 収束度, 省エネルギーの点で, ベンチマークよりも優れていることを示す。
関連論文リスト
- Digital Twin Framework for Optimal and Autonomous Decision-Making in
Cyber-Physical Systems: Enhancing Reliability and Adaptability in the Oil and
Gas Industry [0.0]
本研究は,石油・ガス産業におけるガスリフトプロセスに適用可能な,最適かつ自律的な意思決定のためのディジタルツインフレームワークを提案する。
このフレームワークは、ベイジアン推論、モンテカルロシミュレーション、トランスファーラーニング、オンライン学習、そしてDTに認知を与える新しい戦略を組み合わせたものである。
論文 参考訳(メタデータ) (2023-11-21T18:02:52Z) - Give and Take: Federated Transfer Learning for Industrial IoT Network
Intrusion Detection [3.7498611358320733]
IIoTネットワーク侵入検出のためのフェデレートトランスファーラーニング(FTL)手法を提案する。
本研究の一環として,FTLの実行の中心となる組み合わせ型ニューラルネットワークを提案する。
結果は、IIoTクライアントとサーバの両方のイテレーション間のFTLセットアップのパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-10-11T10:11:54Z) - Stochastic Configuration Machines for Industrial Artificial Intelligence [4.57421617811378]
産業人工知能(IAI)におけるコンフィグレーションネットワーク(SCN)の役割
本稿では、効率的なモデリングとデータサイズ削減を強調するために、SCMと呼ばれる新しいランダム化学習モデルを提案する。
いくつかのベンチマークデータセットと3つの産業応用に関する実験的研究が行われている。
論文 参考訳(メタデータ) (2023-08-25T05:52:41Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳(メタデータ) (2023-01-19T19:45:42Z) - HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics
in Industrial Metaverse [49.1501082763252]
本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。
動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。
そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。
ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
論文 参考訳(メタデータ) (2022-11-07T04:33:24Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳(メタデータ) (2022-09-01T03:27:33Z) - Data Heterogeneity-Robust Federated Learning via Group Client Selection
in Industrial IoT [57.67687126339891]
FedGSは5Gのエンパワーメント産業のための階層的なクラウド・エッジ・エンドのFLフレームワークである。
自然にクラスタ化されたファクトリデバイスを利用することで、FedGSは勾配ベースのバイナリ置換アルゴリズムを使用する。
実験によると、FedGSは精度を3.5%改善し、トレーニングラウンドを平均59%削減している。
論文 参考訳(メタデータ) (2022-02-03T10:48:17Z) - 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) - Federated Learning with Correlated Data: Taming the Tail for Age-Optimal
Industrial IoT [55.62157530259969]
本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。
本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。
数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
論文 参考訳(メタデータ) (2021-08-17T08:38:31Z) - Distributed Learning for Time-varying Networks: A Scalable Design [13.657740129012804]
本稿では,スケーラブルなディープニューラルネットワーク(DNN)設計に基づく分散学習フレームワークを提案する。
学習タスクの置換等価性と不変性を利用することで、異なるスケールのクライアントに対して異なるスケールのDNNを構築することができる。
モデルアグリゲーションはこれらの2つのサブマトリクスに基づいて行うことができ、学習の収束と性能を改善することができる。
論文 参考訳(メタデータ) (2021-07-31T12:44:28Z)
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。