Fugu-MT 論文翻訳(概要): Energy-Efficient Distributed Learning Algorithms for Coarsely Quantized Signals

論文の概要: Energy-Efficient Distributed Learning Algorithms for Coarsely Quantized Signals

arxiv url: http://arxiv.org/abs/2101.04824v1
Date: Wed, 13 Jan 2021 01:13:47 GMT
ステータス: 処理完了
システム内更新日: 2021-03-30 07:56:21.828724
Title: Energy-Efficient Distributed Learning Algorithms for Coarsely Quantized Signals
Title（参考訳）: 粗量子化信号に対するエネルギー効率の良い分散学習アルゴリズム
Authors: A. Danaee, R. C. de Lamare and V. H. Nascimento
Abstract要約: 低分解能ADCとモノのインターネットネットワークのための粗い量子化信号を用いたエネルギー効率のよい分散学習フレームワークを提案する。我々は、エネルギー効率の良い方法でパラメータを学習できる分散量子化対応最小平均平方(DQA-LMS)アルゴリズムを開発した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we present an energy-efficient distributed learning framework using low-resolution ADCs and coarsely quantized signals for Internet of Things (IoT) networks. In particular, we develop a distributed quantization-aware least-mean square (DQA-LMS) algorithm that can learn parameters in an energy-efficient fashion using signals quantized with few bits while requiring a low computational cost. We also carry out a statistical analysis of the proposed DQA-LMS algorithm that includes a stability condition. Simulations assess the DQA-LMS algorithm against existing techniques for a distributed parameter estimation task where IoT devices operate in a peer-to-peer mode and demonstrate the effectiveness of the DQA-LMS algorithm.
Abstract（参考訳）: 本研究では、低解像度のADCと、IoT(Internet of Things)ネットワークのための粗い量子信号を用いたエネルギー効率のよい分散学習フレームワークを提案する。特に、数ビットで量子化された信号を用いてエネルギー効率の良い方法でパラメータを学習できる分散量子化認識最小平均正方形(dqa-lms)アルゴリズムを開発した。また,安定性条件を含むDQA-LMSアルゴリズムの統計的解析を行った。シミュレーションにより、IoTデバイスがピアツーピアモードで動作する分散パラメータ推定タスクにおいて、DQA-LMSアルゴリズムを既存の手法と比較し、DQA-LMSアルゴリズムの有効性を実証する。

関連論文リスト

Q-learning for Quantile MDPs: A Decomposition, Performance, and Convergence Analysis [30.713243690224207]
マルコフ決定過程(MDPs)において、バリュー・アット・リスク(Value-at-Risk)のような量子リスク尺度は、特定の結果に対するRLエージェントの嗜好をモデル化するための標準指標である。本稿では,強い収束と性能保証を有するMDPにおける量子化最適化のための新しいQ-ラーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-31T16:53:20Z)
Efficient Quantization Strategies for Latent Diffusion Models [20.942161659019554]
潜時拡散モデル(LDM)は時間とともに潜時変数の動的進化を捉える。ポストトレーニング量子化(PTQ)は、ディープラーニングモデルの操作サイズを圧縮する手法である。本研究では, LDMを効率的に定量化する量子化戦略を提案する。
論文参考訳（メタデータ） (2023-12-09T01:47:16Z)
Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-04T01:47:37Z)
Modeling the Performance of Early Fault-Tolerant Quantum Algorithms [2.9263797260822835]
誤差の度合いの異なるETTQCデバイス上でのアルゴリズム性能のモデル化手法を提案する。位相推定のためのETTQCアルゴリズムの動作性能と耐障害性について検討する。解析の結果、RFEはより高い実行時上限を持ちながら、物理量子ビット数の大幅な削減を実現していることが明らかとなった。
論文参考訳（メタデータ） (2023-06-29T18:03:15Z)
Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。増幅行列と位相シフト行列RISを結合制御するためにDDPG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） (2023-04-11T13:16:28Z)
AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization [159.75564904944707]
垂直連合学習(VFL)のための非同期準ニュートン(AsySQN)フレームワークを提案する。提案アルゴリズムは、逆ヘッセン行列を明示的に計算することなく、近似して降下ステップをスケールする。本稿では,非同期計算を採用することにより,計算資源の有効利用が期待できることを示す。
論文参考訳（メタデータ） (2021-09-26T07:56:10Z)
Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
エネルギー効率のよいメタラーニングフレームワークを提案する。各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
論文参考訳（メタデータ） (2021-05-31T08:15:44Z)
Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文参考訳（メタデータ） (2021-01-02T15:21:08Z)
Study of Energy-Efficient Distributed RLS-based Learning with Coarsely Quantized Signals [0.0]
モノのインターネット(IoT)ネットワークのための粗い量子化信号を用いたエネルギー効率のよい分散学習フレームワークを提案する。我々は,数ビットで量子化された信号を用いて,エネルギー効率の高いパラメータを学習できる分散量子化対応最小二乗法 (DQA-RLS) アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-12-20T14:41:55Z)
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文参考訳（メタデータ） (2020-06-15T02:57:57Z)
A Supervised Learning Algorithm for Multilayer Spiking Neural Networks Based on Temporal Coding Toward Energy-Efficient VLSI Processor Design [2.6872737601772956]
スパイキングニューラルネットワーク(スパイキングニューラルネット、英: Spiking Neural Network、SNN)は、スパイクの形で情報を処理できる脳にインスパイアされた数学的モデルである。時間符号化に基づくSNNのための新しい教師付き学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-01-08T03:37:08Z)

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。