論文の概要: Opportunities of Federated Learning in Connected, Cooperative and Automated Industrial Systems

• arxiv url: http://arxiv.org/abs/2101.03367v2
• Date: Tue, 12 Jan 2021 22:42:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 09:35:19.783702
• Title: Opportunities of Federated Learning in Connected, Cooperative and Automated Industrial Systems
• Title（参考訳）: 連携・協調・自動化産業システムにおけるフェデレーション学習の可能性
• Authors: Stefano Savazzi, Monica Nicoli, Mehdi Bennis, Sanaz Kianoush, Luca Barbieri
• Abstract要約: 次世代産業システムは、超信頼性、低遅延通信の進歩を牽引しています。 分散機械学習(FL)は、センシング、コミュニケーション、学習におけるキノコの多分野にわたる研究領域を表しています。 本稿では,次世代ネットワーク産業システムにおけるFLの新たな可能性について考察する。
• 参考スコア（独自算出の注目度）: 44.627847349764664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Next-generation autonomous and networked industrial systems (i.e., robots, vehicles, drones) have driven advances in ultra-reliable, low latency communications (URLLC) and computing. These networked multi-agent systems require fast, communication-efficient and distributed machine learning (ML) to provide mission critical control functionalities. Distributed ML techniques, including federated learning (FL), represent a mushrooming multidisciplinary research area weaving in sensing, communication and learning. FL enables continual model training in distributed wireless systems: rather than fusing raw data samples at a centralized server, FL leverages a cooperative fusion approach where networked agents, connected via URLLC, act as distributed learners that periodically exchange their locally trained model parameters. This article explores emerging opportunities of FL for the next-generation networked industrial systems. Open problems are discussed, focusing on cooperative driving in connected automated vehicles and collaborative robotics in smart manufacturing.
• Abstract（参考訳）: 次世代の自律・ネットワーク産業システム(ロボット、車両、ドローン)は、超信頼性、低遅延通信(URLLC)およびコンピューティングの進歩を推進してきた。 これらのネットワーク化されたマルチエージェントシステムは、ミッションクリティカルコントロール機能を提供するために、高速で通信効率のよい分散機械学習(ML)を必要とする。 フェデレートラーニング(FL)を含む分散ML技術は、センシング、コミュニケーション、学習に精通する多分野の研究領域である。 集中型サーバで生データサンプルを使用するのではなく、urllcを介して接続されたネットワークエージェントが、ローカルにトレーニングされたモデルのパラメータを定期的に交換する分散学習者として機能する、協調的な融合アプローチを活用する。 本稿では,次世代ネットワーク産業システムにおけるFLの新たな可能性について考察する。 スマートマニュファクチャリングにおけるコラボレーティブな自動車両とコラボレーティブなロボティクスにおける協調運転に焦点を当てたオープンな問題について議論する。

関連論文リスト

• The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
  ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。 現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。 本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
  論文  参考訳（メタデータ） (2023-10-06T04:13:10Z)
• Enhanced Decentralized Federated Learning based on Consensus in Connected Vehicles [14.80476265018825]
  分散システムにおける機械学習(ML)モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。 我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
  論文  参考訳（メタデータ） (2022-09-22T01:21:23Z)
• On Decentralizing Federated Reinforcement Learning in Multi-Robot Scenarios [0.0]
  フェデレートラーニング(FL)は、複数のコンピューティングデバイス間で学習情報を協調的に集約することを可能にする。 移動エージェントは分散連邦強化学習(dFRL)のタスクを遂行できる Q-learning と SARSA を用いた実験の結果, 対応するQ-table を集約して得られた。
  論文  参考訳（メタデータ） (2022-07-19T16:17:12Z)
• Distributed Reinforcement Learning for Robot Teams: A Review [10.92709534981466]
  近年のセンサ,アクティベーション,計算の進歩により,マルチロボットシステムへの扉が開きつつある。 コミュニティはモデルフリーのマルチエージェント強化学習を活用して、マルチロボットシステムのための効率的でスケーラブルなコントローラを開発した。 最近の知見:分散MSSは、非定常性や部分観測可能性などの根本的な課題に直面している。
  論文  参考訳（メタデータ） (2022-04-07T15:34:19Z)
• UAV-Aided Decentralized Learning over Mesh Networks [23.612400109629544]
  分散学習は、デバイス間通信(D2D)のみに依存する機械学習(ML)モデルを協調的にトレーニングする、無線ネットワークデバイスに権限を与える。 実世界のメッシュネットワークのローカル接続は、無線ノードの通信範囲が限られており、分散学習プロトコルの効率を損なう。 本論文は,UAVトラジェクトリを最適化し,ユーザグループ間のインテリジェンスを伝達するために,UAVが逐次訪問する一連の経路ポイントとして定義する。
  論文  参考訳（メタデータ） (2022-03-02T10:39:40Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• 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)
• Federated Learning with Cooperating Devices: A Consensus Approach for Massive IoT Networks [8.456633924613456]
  分散システムにおける機械学習モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。 提案するFLアルゴリズムは,ネットワーク内のデータ操作を行うデバイスとの協調を利用して,完全に分散された(あるいはサーバレス)学習手法を提案する。 このアプローチは、分散接続とコンピューティングを特徴とするネットワークを超えて、5G 内で FL を統合するための基盤となる。
  論文  参考訳（メタデータ） (2019-12-27T15:16:04Z)

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。