論文の概要: Task Allocation for Asynchronous Mobile Edge Learning with Delay and
Energy Constraints
- arxiv url: http://arxiv.org/abs/2012.00143v2
- Date: Fri, 4 Dec 2020 18:01:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 16:42:53.746302
- Title: Task Allocation for Asynchronous Mobile Edge Learning with Delay and
Energy Constraints
- Title（参考訳）: 遅延とエネルギー制約を考慮した非同期モバイルエッジ学習のためのタスク割当
- Authors: Umair Mohammad, Sameh Sorour, Mohamed Hefeida
- Abstract要約: 本稿では、リソース制約された無線エッジネットワークを介して接続された複数のエッジノードまたは学習者間で非同期に機械学習モデルをトレーニングするための最適なタスク割り当てスキームを設計し、"モバイルエッジラーニング(MEL)"のパラダイムを拡張した。
消費される時間とエネルギーは、学習者の異種コミュニケーションと計算能力に直接関係している。
その結果,HU同期/非同期(HU-Sync/Asyn)手法よりもHA-Asyn法の方が有効であり,最大25%の利得が得られることがわかった。
- 参考スコア（独自算出の注目度）: 13.95043802655365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper extends the paradigm of "mobile edge learning (MEL)" by designing
an optimal task allocation scheme for training a machine learning model in an
asynchronous manner across mutiple edge nodes or learners connected via a
resource-constrained wireless edge network. The optimization is done such that
the portion of the task allotted to each learner is completed within a given
global delay constraint and a local maximum energy consumption limit. The time
and energy consumed are related directly to the heterogeneous communication and
computational capabilities of the learners; i.e. the proposed model is
heterogeneity aware (HA). Because the resulting optimization is an NP-hard
quadratically-constrained integer linear program (QCILP), a two-step
suggest-and-improve (SAI) solution is proposed based on using the solution of
the relaxed synchronous problem to obtain the solution to the asynchronous
problem. The proposed HA asynchronous (HA-Asyn) approach is compared against
the HA synchronous (HA-Sync) scheme and the heterogeneity unaware (HU) equal
batch allocation scheme. Results from a system of 20 learners tested for
various completion time and energy consumption constraints show that the
proposed HA-Asyn method works better than the HU synchronous/asynchronous
(HU-Sync/Asyn) approach and can provide gains of up-to 25\% compared to the
HA-Sync scheme.
- Abstract（参考訳）: 本稿では、リソース制約された無線エッジネットワークを介して接続された複数のエッジノードまたは学習者間で非同期に機械学習モデルをトレーニングするための最適なタスク割り当てスキームを設計し、"モバイルエッジラーニング(MEL)"のパラダイムを拡張した。
最適化は、各学習者に割り当てられたタスクの一部が、所定の大域的遅延制約と局所的な最大エネルギー消費限界内で完了するように行われる。
消費される時間とエネルギーは、学習者の不均一なコミュニケーションと計算能力に直接関係している。
提案するモデルは異種性認識(HA)である。
結果の最適化はNP-hard quadratically-constrained integer linear program (QCILP) であるので、緩和された同期問題の解を用いて2段階のsugg-and-improve (SAI) 解を提案し、非同期問題の解を求める。
提案したHA非同期(HA-Asyn)アプローチは、HA同期(HA-Sync)スキームとHU同値バッチ割り当てスキームと比較する。
20名の学習者が様々な完了時間とエネルギー消費制約をテストした結果,提案手法はhu同期/asynchronous (hu-sync/asyn) 法よりも優れており,ha-sync法と比較して最大25\%の利得が得られることがわかった。
関連論文リスト
- Split Federated Learning Over Heterogeneous Edge Devices: Algorithm and Optimization [7.013344179232109]
Split Learning(SL)は、リソース制約のあるデバイスが生データを共有せずにモデルをトレーニングできるようにする、有望なコラボレーティブ機械学習アプローチである。
現在のSLアルゴリズムは、トレーニング効率の限界に直面し、長時間のレイテンシに悩まされている。
本稿では、リソース制約のあるクライアントが、パーソナライズされたクライアントサイドモデルを並列にトレーニングできる、異種分散フェデレーションラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-21T07:46:01Z) - Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - Client Orchestration and Cost-Efficient Joint Optimization for
NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。
提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-03T13:34:44Z) - Robust Fully-Asynchronous Methods for Distributed Training over General Architecture [11.480605289411807]
分散機械学習問題における完全な同期は、レイテンシ、パッケージの損失、ストラグラーの存在のため、非効率であり、不可能である。
本稿では,R-FAST (Fully-Asynchronous Gradient Tracking Method) を提案する。
論文 参考訳（メタデータ） (2023-07-21T14:36:40Z) - Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated
Split Learning [56.125720497163684]
無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。
ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
論文 参考訳（メタデータ） (2022-09-02T10:29:56Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Edge-Compatible Reinforcement Learning for Recommendations [34.84923837836135]
我々は,非同期なCoagentポリシーアルゴリズムであるcitepkostas 2020asynchronousを構築し,この問題に対する原則的解決策を提案する。
このアルゴリズムはエッジ設定で機能し、学習するために設計されており、ネットワークの問題もこの設定の一部である。
論文 参考訳（メタデータ） (2021-12-10T20:12:39Z) - Stragglers Are Not Disaster: A Hybrid Federated Learning Algorithm with
Delayed Gradients [21.63719641718363]
フェデレーション・ラーニング(federated learning, fl)は、多数の分散コンピューティングデバイスで合同モデルをトレーニングする、新しい機械学習フレームワークである。
本稿では,効率と有効性における学習バランスを実現するための新しいflアルゴリズムであるhybrid federated learning(hfl)を提案する。
論文 参考訳（メタデータ） (2021-02-12T02:27:44Z) - An Efficient Asynchronous Method for Integrating Evolutionary and
Gradient-based Policy Search [76.73477450555046]
本稿では、ESの並列効率を最大化し、ポリシー勾配法と統合する非同期進化戦略強化学習(AES-RL)を提案する。
具体的には、(1)ESとDRLを非同期にマージする新しいフレームワークを提案し、2)非同期、ES、DRLのすべての利点を利用できる様々な非同期更新方法を提案する。
論文 参考訳（メタデータ） (2020-12-10T02:30:48Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z)
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。