論文の概要: To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices
- arxiv url: http://arxiv.org/abs/2012.11804v1
- Date: Tue, 22 Dec 2020 02:54:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 02:26:22.761197
- Title: To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices
- Title（参考訳）: To Talk or to work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices
- Authors: Liang Li, Dian Shi, Ronghui Hou, Hui Li, Miao Pan, Zhu Han
- Abstract要約: 巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
- 参考スコア（独自算出の注目度）: 78.38046945665538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in machine learning, wireless communication, and mobile
hardware technologies promisingly enable federated learning (FL) over massive
mobile edge devices, which opens new horizons for numerous intelligent mobile
applications. Despite the potential benefits, FL imposes huge communication and
computation burdens on participating devices due to periodical global
synchronization and continuous local training, raising great challenges to
battery constrained mobile devices. In this work, we target at improving the
energy efficiency of FL over mobile edge networks to accommodate heterogeneous
participating devices without sacrificing the learning performance. To this
end, we develop a convergence-guaranteed FL algorithm enabling flexible
communication compression. Guided by the derived convergence bound, we design a
compression control scheme to balance the energy consumption of local computing
(i.e., "working") and wireless communication (i.e., "talking") from the
long-term learning perspective. In particular, the compression parameters are
elaborately chosen for FL participants adapting to their computing and
communication environments. Extensive simulations are conducted using various
datasets to validate our theoretical analysis, and the results also demonstrate
the efficacy of the proposed scheme in energy saving.
- Abstract（参考訳）: 機械学習、無線通信、モバイルハードウェア技術の最近の進歩は、大規模なモバイルエッジデバイス上での連合学習(fl)を可能にすることを約束している。
潜在的なメリットにもかかわらず、flは定期的なグローバル同期と継続的なローカルトレーニングのために、参加デバイスに膨大な通信と計算負荷を課し、バッテリ制約のあるモバイルデバイスに大きな課題を提起している。
本研究では,モバイルエッジネットワーク上でのFLのエネルギー効率向上を目標とし,学習性能を犠牲にすることなく,不均一な参加デバイスに対応する。
そこで我々は,フレキシブルな通信圧縮を実現する収束保証FLアルゴリズムを開発した。
導出収束境界によって導かれる圧縮制御スキームを設計し、長期学習の観点からローカルコンピューティング(ワークリング)と無線通信(トーキング)のエネルギー消費のバランスをとる。
特に、FL参加者が計算および通信環境に適応するために、圧縮パラメータを精巧に選択する。
提案手法の有効性を検証するために, 様々なデータセットを用いて大規模シミュレーションを行い, 提案手法の有効性を実証した。
関連論文リスト
- Federated Learning With Energy Harvesting Devices: An MDP Framework [5.852486435612777]
フェデレートラーニング(FL)では、エッジデバイスがローカルトレーニングを実行し、パラメータサーバと情報を交換する必要がある。
実用FLシステムにおける重要な課題は、バッテリ限定エッジ装置の急激なエネルギー枯渇である。
FLシステムにエネルギー回収技術を適用し, エッジデバイスを連続的に駆動する環境エネルギーを抽出する。
論文 参考訳（メタデータ） (2024-05-17T03:41:40Z) - WHALE-FL: Wireless and Heterogeneity Aware Latency Efficient Federated Learning over Mobile Devices via Adaptive Subnetwork Scheduling [17.029433544096257]
我々は,適応サブネットワークスケジューリングによるFLトレーニングを高速化するために,無線かつ認識可能な遅延効率FL(WHALE-FL)アプローチを開発した。
評価の結果,WHALE-FLはピアデザインと比較して,学習精度を犠牲にすることなく,FLトレーニングを効果的に加速することがわかった。
論文 参考訳（メタデータ） (2024-05-01T22:01:40Z) - Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳（メタデータ） (2023-12-07T20:39:57Z) - Energy and Spectrum Efficient Federated Learning via High-Precision
Over-the-Air Computation [26.499025986273832]
フェデレートラーニング(FL)は、データをローカルに保持しながら、モバイルデバイスが共同で共有予測モデルを学ぶことを可能にする。
モバイルデバイス上でFLを実際にデプロイする上で,2つの大きな研究課題がある。
FLにおける局所モデル更新のスペクトル効率向上のためのマルチビットオーバー・ザ・エアコン(M-AirComp)手法を提案する。
論文 参考訳（メタデータ） (2022-08-15T14:47:21Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between
Convergence and Power Transfer [42.30741737568212]
無線電力伝送(WPT)を用いた電力機器の解法を提案する。
本研究の目的は、無線で駆動するFEEL(WP-FEEL)システムの導入に関するガイドラインの導出である。
その結果、WPTプロビジョニングに関する有用なガイドラインを提供し、学習パフォーマンスの保証を提供します。
論文 参考訳（メタデータ） (2021-02-24T15:47:34Z) - To Talk or to Work: Energy Efficient Federated Learning over Mobile
Devices via the Weight Quantization and 5G Transmission Co-Design [49.95746344960136]
Federated Learning (FL) は,モバイルデバイス間での大規模学習タスクのための新たなパラダイムである。
モバイルデバイス上でFLをサポートする効果的な無線ネットワークアーキテクチャを確立する方法は不明です。
我々は、異種5Gモバイル機器上でのエネルギー効率FLのための無線伝送および重み量子化協調設計を開発する。
論文 参考訳（メタデータ） (2020-12-21T01:13:44Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z) - Communication Efficient Federated Learning with Energy Awareness over
Wireless Networks [51.645564534597625]
フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。
我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。
2つの最適化問題を定式化し、学習性能を最適化する。
FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-15T21:25:13Z) - Lightwave Power Transfer for Federated Learning-based Wireless Networks [34.434349833489954]
フェデレートラーニング(FL)は、分散した方法で共有機械学習モデルをトレーニングするための新しいテクニックとして最近紹介されている。
無線ネットワークにFLを実装することで、エネルギー制約のあるモバイルデバイスの寿命を大幅に短縮することができる。
本稿では,FLベースの無線ネットワークにおける光波電力伝送の適用に基づく物理層への新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-04-11T16:27:17Z)
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。