論文の概要: Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks

• arxiv url: http://arxiv.org/abs/2011.12691v1
• Date: Wed, 25 Nov 2020 12:51:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 03:39:04.763981
• Title: Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks
• Title（参考訳）: IoTネットワークにおけるフェデレーションエッジインテリジェンスのためのリソース効率の最適化
• Authors: Yong Xiao and Yingyu Li and Guangming Shi and H. Vincent Poor
• Abstract要約: We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
• 参考スコア（独自算出の注目度）: 96.24723959137218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies an edge intelligence-based IoT network in which a set of edge servers learn a shared model using federated learning (FL) based on the datasets uploaded from a multi-technology-supported IoT network. The data uploading performance of IoT network and the computational capacity of edge servers are entangled with each other in influencing the FL model training process. We propose a novel framework, called federated edge intelligence (FEI), that allows edge servers to evaluate the required number of data samples according to the energy cost of the IoT network as well as their local data processing capacity and only request the amount of data that is sufficient for training a satisfactory model. We evaluate the energy cost for data uploading when two widely-used IoT solutions: licensed band IoT (e.g., 5G NB-IoT) and unlicensed band IoT (e.g., Wi-Fi, ZigBee, and 5G NR-U) are available to each IoT device. We prove that the cost minimization problem of the entire IoT network is separable and can be divided into a set of subproblems, each of which can be solved by an individual edge server. We also introduce a mapping function to quantify the computational load of edge servers under different combinations of three key parameters: size of the dataset, local batch size, and number of local training passes. Finally, we adopt an Alternative Direction Method of Multipliers (ADMM)-based approach to jointly optimize energy cost of the IoT network and average computing resource utilization of edge servers. We prove that our proposed algorithm does not cause any data leakage nor disclose any topological information of the IoT network. Simulation results show that our proposed framework significantly improves the resource efficiency of the IoT network and edge servers with only a limited sacrifice on the model convergence performance.
• Abstract（参考訳）: 本稿では,エッジサーバの集合が,多テクノロジ対応IoTネットワークからアップロードされたデータセットに基づいて,フェデレーション学習(FL)を用いて共有モデルを学習するエッジインテリジェンスベースのIoTネットワークについて検討する。 iotネットワークのデータアップロード性能とエッジサーバの計算能力は、flモデルトレーニングプロセスに影響を与えるために互いに絡み合っている。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案する。エッジサーバはIoTネットワークのエネルギーコストとローカルデータ処理能力に応じて必要なデータサンプル数を評価でき、満足度の高いモデルをトレーニングするのに十分なデータ量のみを要求することができる。 広範に使用されている2つのIoTソリューション – ライセンスバンドIoT(5G NB-IoTなど)と未ライセンスバンドIoT(Wi-Fi,ZigBee,5G NR-Uなど) – がそれぞれのIoTデバイスで利用可能である場合,データアップロードのエネルギーコストを評価する。 我々は、IoTネットワーク全体のコスト最小化問題は分離可能であり、サブプロブレムのセットに分割することができ、それぞれが個々のエッジサーバで解決可能であることを証明した。 また,エッジサーバの計算負荷を,データセットのサイズ,ローカルバッチサイズ,ローカルトレーニングパス数という3つのキーパラメータの組み合わせで定量化するマッピング関数を導入する。 最後に、IoTネットワークのエネルギーコストとエッジサーバの平均計算資源利用を共同で最適化する、ADMM(Optern Direction Method of Multipliers)ベースのアプローチを採用する。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。 シミュレーションの結果,提案フレームワークはIoTネットワークとエッジサーバのリソース効率を大幅に向上し,モデル収束性能を犠牲にするだけでよいことがわかった。

関連論文リスト

• Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving for Internet of Things [4.68267059122563]
  本稿では,エッジサーバの高性能機能を活用した,エッジ支援型U-Shaped Split Federated Learning (EUSFL) フレームワークを提案する。 このフレームワークでは、フェデレートラーニング(FL)を活用し、データ保持者がデータを共有せずに協調的にモデルをトレーニングできるようにします。 また,データの特徴やラベルが復元攻撃に対して確実に耐えられるように,ラベルDPと呼ばれる新しいノイズ機構を提案する。
  論文  参考訳（メタデータ） (2023-11-08T05:14:41Z)
• Service Discovery in Social Internet of Things using Graph Neural Networks [1.552282932199974]
  IoT(Internet-of-Things)ネットワークは、何千もの物理的エンティティをインテリジェントに接続して、コミュニティにさまざまなサービスを提供する。 ネットワークに存在するIoTデバイスを発見し、それに対応するサービスを要求するプロセスを複雑にしている。 異種大規模IoTネットワークに適したスケーラブルなリソース割り当てニューラルモデルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T12:25:37Z)
• Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point [51.47520726446029]
  協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。 CE-FLの過程をモデル化し,分析訓練を行った。 実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2022-03-26T00:41:57Z)
• 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)
• A Joint Energy and Latency Framework for Transfer Learning over 5G Industrial Edge Networks [53.26338041079138]
  5G産業エッジネットワークのための転送学習対応エッジCNNフレームワークを提案する。 特に、エッジサーバは、既存の画像データセットを使用してcnnを事前トレーニングすることができる。 TLの助けを借りて、トレーニングに参加していないデバイスは、訓練されたエッジCNNモデルをスクラッチからトレーニングせずに微調整するだけです。
  論文  参考訳（メタデータ） (2021-04-19T15:13:16Z)
• The Case for Retraining of ML Models for IoT Device Identification at the Edge [0.026215338446228163]
  ネットワークのエッジで利用可能なリソースを用いて、ネットワークの振る舞いに基づいてIoTデバイスを識別する方法を示す。 エッジにおいて、デバイス識別と分類をそれぞれ80%以上と90%以上精度で達成することができる。
  論文  参考訳（メタデータ） (2020-11-17T13:01:04Z)
• Federated Learning in Mobile Edge Computing: An Edge-Learning Perspective for Beyond 5G [24.275726025778482]
  本稿では,エッジコンピューティングを利用した新しいフェデレーション学習フレームワークを提案する。 IoTデバイスとエッジサーバ間の通信制約を考慮する。 さまざまなIoTデバイスは、エッジサーバで生成されたグローバルモデルの正確性にさまざまな影響を与える、さまざまなトレーニングデータセットを持っています。
  論文  参考訳（メタデータ） (2020-07-15T22:58:47Z)
• 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)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。