論文の概要: Privacy-Preserving Federated Learning for UAV-Enabled Networks:
Learning-Based Joint Scheduling and Resource Management
- arxiv url: http://arxiv.org/abs/2011.14197v1
- Date: Sat, 28 Nov 2020 18:58:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 19:37:24.611133
- Title: Privacy-Preserving Federated Learning for UAV-Enabled Networks:
Learning-Based Joint Scheduling and Resource Management
- Title（参考訳）: UAV対応ネットワークのためのプライバシ保護フェデレーション学習:学習ベース共同スケジューリングと資源管理
- Authors: Helin Yang, Jun Zhao, Zehui Xiong, Kwok-Yan Lam, Sumei Sun, Liang Xiao
- Abstract要約: 無人航空機(UAV)は、データ収集、人工知能(AI)モデルトレーニング、無線通信をサポートする飛行基地局(BS)として機能する。
モデルトレーニングのためにUAVサーバにデバイスの生データを送信するのは現実的ではない。
本稿では,マルチUAV対応ネットワークのための非同期フェデレーション学習フレームワークを開発する。
- 参考スコア（独自算出の注目度）: 45.15174235000158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmanned aerial vehicles (UAVs) are capable of serving as flying base
stations (BSs) for supporting data collection, artificial intelligence (AI)
model training, and wireless communications. However, due to the privacy
concerns of devices and limited computation or communication resource of UAVs,
it is impractical to send raw data of devices to UAV servers for model
training. Moreover, due to the dynamic channel condition and heterogeneous
computing capacity of devices in UAV-enabled networks, the reliability and
efficiency of data sharing require to be further improved. In this paper, we
develop an asynchronous federated learning (AFL) framework for
multi-UAV-enabled networks, which can provide asynchronous distributed
computing by enabling model training locally without transmitting raw sensitive
data to UAV servers. The device selection strategy is also introduced into the
AFL framework to keep the low-quality devices from affecting the learning
efficiency and accuracy. Moreover, we propose an asynchronous advantage
actor-critic (A3C) based joint device selection, UAVs placement, and resource
management algorithm to enhance the federated convergence speed and accuracy.
Simulation results demonstrate that our proposed framework and algorithm
achieve higher learning accuracy and faster federated execution time compared
to other existing solutions.
- Abstract（参考訳）: 無人航空機(UAV)は、データ収集、人工知能(AI)モデルトレーニング、無線通信をサポートする飛行基地局(BS)として機能する。
しかしながら、デバイスのプライバシ上の懸念とUAVの計算や通信リソースの制限のため、モデルのトレーニングのためにデバイスの生データをUAVサーバに送ることは不可能である。
さらに、UAV対応ネットワークにおけるデバイスの動的チャネル条件と不均一な計算能力により、データ共有の信頼性と効率をさらに向上する必要がある。
本稿では,マルチUAV対応ネットワークのための非同期フェデレーション学習(AFL)フレームワークを開発し,UAVサーバに生の機密データを送信することなく,ローカルでモデルトレーニングを行うことで,非同期分散コンピューティングを実現する。
デバイス選択戦略はAFLフレームワークにも導入され、低品質デバイスが学習効率と精度に影響を与えるのを防ぐ。
さらに,協調収束速度と精度を向上させるために,非同期アドバンテージアクタ-クリティック(a3c)ベースのデバイス選択,uavs配置,リソース管理アルゴリズムを提案する。
シミュレーションの結果,提案手法とアルゴリズムは,既存のソリューションに比べて高い学習精度と高速なフェデレーション実行時間を実現することがわかった。
関連論文リスト
- Wireless Federated Learning over UAV-enabled Integrated Sensing and Communication [2.8203310972866382]
本稿では,無人航空機(UAV)を利用した統合型統合学習(FL)における新しい遅延最適化問題について検討する。
ベンチマーク方式と比較して,システム遅延を最大68.54%削減し,高品質な近似解を求めるため,単純かつ効率的な反復アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-11-01T14:25:24Z) - Blockchain-enabled Clustered and Scalable Federated Learning (BCS-FL)
Framework in UAV Networks [8.278150104847183]
本稿では,UAVネットワークのためのクラスタ化・拡張型フェデレートラーニング(BCS-FL)フレームワークを提案する。
大規模UAVネットワークにおけるFLの分散化、調整、スケーラビリティ、効率性を改善する。
論文 参考訳（メタデータ） (2024-02-07T12:26:56Z) - Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。
本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
論文 参考訳（メタデータ） (2024-02-05T12:36:08Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳（メタデータ） (2023-07-14T04:13:11Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳（メタデータ） (2023-06-05T16:01:33Z) - Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文 参考訳（メタデータ） (2022-01-03T16:49:33Z) - UAV-assisted Online Machine Learning over Multi-Tiered Networks: A
Hierarchical Nested Personalized Federated Learning Approach [25.936914508952086]
地理的分散デバイスクラスタのための無人航空機(UAV)による分散機械学習(ML)を検討する。
i)リーダー,ワーカー,コーディネータによるUAVスワーミング,(ii)階層型ネスト型パーソナライズド・フェデレーション・ラーニング(HN-PFL),(iii)UAVのローカル計算機能を用いた分散MLのための協調的UAVリソースプール,の5つの新しい技術/技術を提案する。
論文 参考訳（メタデータ） (2021-06-29T21:40:28Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z)
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。