論文の概要: Dynamic Federated Learning-Based Economic Framework for Internet-of-Vehicles

• arxiv url: http://arxiv.org/abs/2101.00191v2
• Date: Thu, 11 Mar 2021 06:32:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 11:07:29.012776
• Title: Dynamic Federated Learning-Based Economic Framework for Internet-of-Vehicles
• Title（参考訳）: 車両インターネットのための動的フェデレーション学習型経済フレームワーク
• Authors: Yuris Mulya Saputra, Dinh Thai Hoang, Diep N. Nguyen, Le-Nam Tran, Shimin Gong, and Eryk Dutkiewicz
• Abstract要約: フェデレートラーニング(FL)は、学習プロセスに参加するためにスマートカー(SV)を活用することで、IoT(Internet-of-Vehicles)ネットワークを強化することができる。 これらの課題を解決するために、IoVネットワークのための新しい動的FLベースの経済フレームワークを提案します。
• 参考スコア（独自算出の注目度）: 31.649460812798917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) can empower Internet-of-Vehicles (IoV) networks by leveraging smart vehicles (SVs) to participate in the learning process with minimum data exchanges and privacy disclosure. The collected data and learned knowledge can help the vehicular service provider (VSP) improve the global model accuracy, e.g., for road safety as well as better profits for both VSP and participating SVs. Nonetheless, there exist major challenges when implementing the FL in IoV networks, such as dynamic activities and diverse quality-of-information (QoI) from a large number of SVs, VSP's limited payment budget, and profit competition among SVs. In this paper, we propose a novel dynamic FL-based economic framework for an IoV network to address these challenges. Specifically, the VSP first implements an SV selection method to determine a set of the best SVs for the FL process according to the significance of their current locations and information history at each learning round. Then, each selected SV can collect on-road information and offer a payment contract to the VSP based on its collected QoI. For that, we develop a multi-principal one-agent contract-based policy to maximize the profits of the VSP and learning SVs under the VSP's limited payment budget and asymmetric information between the VSP and SVs. Through experimental results using real-world on-road datasets, we show that our framework can converge 57% faster (even with only 10% of active SVs in the network) and obtain much higher social welfare of the network (up to 27.2 times) compared with those of other baseline FL methods.
• Abstract（参考訳）: フェデレートラーニング(FL)は、スマートカー(SV)を活用して、最小限のデータ交換とプライバシ開示による学習プロセスに参加することにより、IoV(Internet-of-Vehicles)ネットワークを強化することができる。 収集されたデータと学習された知識は、vsp(vehicular service provider)が、道路の安全性やvspおよびsvsの利益など、グローバルモデルの精度を向上させるのに役立つ。 それでも、多数のSVからのダイナミックアクティビティや多様な品質情報(QoI)、VSPの限られた支払い予算、SV間の利益競争など、IoVネットワークでFLを実装する際に大きな課題がある。 本稿では,これらの課題に対処するために,IoVネットワークのための新しい動的FLベースの経済フレームワークを提案する。 具体的には、VSPはまず、各学習ラウンドにおける現在位置と情報履歴の重要度に応じて、FLプロセスに最適なSVのセットを決定するためのSV選択方法を実装する。 そして、選択された各SVは、その収集されたQoIに基づいて、ロード情報を収集し、VSPに支払い契約を提供する。 そこで我々は,VSP の限られた支払い予算と VSP と SV 間の非対称情報の下で VSP と SV の利益を最大化する,マルチプリンシパルワンエージェント契約に基づく政策を開発する。 実世界のオンロードデータセットを用いた実験の結果,我々のフレームワークは57%高速に収束し(ネットワーク内のアクティブsvの10%に過ぎない),他のベースラインfl法と比較して,ネットワークの社会的福祉(最大27.2倍)を得ることができた。

関連論文リスト

• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。 動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。 実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• A V2X-based Privacy Preserving Federated Measuring and Learning System [0.0]
  本稿では,V2V(Var-to-Vehicle)通信を介して,同志の車両にリアルタイムなデータを提供するフェデレート計測学習システムを提案する。 また,交通ネットワークの予測モデルを作成するために,車両ネットワーク(V2N)リンク上で連合学習スキームを運用している。 その結果,提案方式では学習性能が向上し,アグリゲータサーバ側での盗聴を防止することができた。
  論文  参考訳（メタデータ） (2024-01-24T23:11:11Z)
• How Can We Train Deep Learning Models Across Clouds and Continents? An Experimental Study [57.97785297481162]
  代表的なCV, NLP, ASRモデルに対して, 異なるゾーン, 大陸, 雲におけるトレーニングの費用とスループットについて検討した。 スポット価格を活用することで、複数の安価なインスタンスでモデルをトレーニングし、より集中的かつ強力なハードウェアと、競争力のある価格でオンデマンドのクラウド製品の両方を台無しにする、新たなコスト効率の方法が実現されることを示す。
  論文  参考訳（メタデータ） (2023-06-05T18:17:37Z)
• Towards More Efficient Data Valuation in Healthcare Federated Learning using Ensembling [9.025937488927621]
  SaFE(Shapley Value for Federated Learning using Ensembling)と呼ばれる効率的なSV計算手法を提案する。 実験により、SaFEは正確なSVに近い値を計算し、現在のSV近似よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-09-12T17:30:10Z)
• Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM [62.62684911017472]
  フェデレートラーニング(FL)により、デバイスは共有モデルを共同でトレーニングし、トレーニングデータをプライバシ目的でローカルに保つことができる。 マルチヘッド(VIM)を備えたVFLフレームワークを導入し、各クライアントの別々のコントリビューションを考慮に入れます。 VIMは最先端技術に比べて性能が著しく向上し、収束が速い。
  論文  参考訳（メタデータ） (2022-07-20T23:14:33Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• A.I. and Data-Driven Mobility at Volkswagen Financial Services AG [4.882606785609997]
  Volkswagen Financial Services(VWFS)は、既存のプロプライエタリなデータを活用して、既存のビジネスプロセスを強化し、新たなビジネスプロセスを導出することを目的としている。 本稿では,VWFSにおける車両ライフサイクルにおけるデータ駆動型決定を可能にするレコメンデータシステム,オブジェクト検出,予測の分野における手法を提案する。
  論文  参考訳（メタデータ） (2022-02-09T11:45:38Z)
• A Survey on Data-driven Software Vulnerability Assessment and Prioritization [0.0]
  ソフトウェア脆弱性(SV)は複雑さと規模が増加しており、多くのソフトウェアシステムに重大なセキュリティリスクを生じさせている。 機械学習やディープラーニングといったデータ駆動技術は、SVの評価と優先順位付けを次のレベルに引き上げた。
  論文  参考訳（メタデータ） (2021-07-18T04:49:22Z)
• A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
  フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。 本稿では,FL に対応する SV の変種を提案する。
  論文  参考訳（メタデータ） (2020-09-14T04:37:54Z)

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。