論文の概要: Towards Energy Efficient Federated Learning over 5G+ Mobile Devices
- arxiv url: http://arxiv.org/abs/2101.04866v1
- Date: Wed, 13 Jan 2021 04:13:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-03 21:04:58.642925
- Title: Towards Energy Efficient Federated Learning over 5G+ Mobile Devices
- Title（参考訳）: 5g+モバイル端末上でのエネルギー効率のよい連合学習に向けて
- Authors: Dian Shi, Liang Li, Rui Chen, Pavana Prakash, Miao Pan, Yuguang Fang
- Abstract要約: 5G+モバイルデバイス上の連合学習(FL)は、モバイルデバイスにAI機能をプッシュし、デバイス上のAIアプリケーションの新しい時代を開始します。
巨大なエネルギー消費は、バッテリー制限された5G +モバイルデバイス上のFLの開発を制限する最も重要な障害の1つです。
私たちは、全体的なエネルギー効率を高めるために、「働く」ためのエネルギー消費(すなわち、ローカルコンピューティング)と「話す」ためのエネルギー消費(すなわち、無線通信)のトレードオフを行います。
- 参考スコア（独自算出の注目度）: 26.970421001190896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The continuous convergence of machine learning algorithms, 5G and beyond
(5G+) wireless communications, and artificial intelligence (AI) hardware
implementation hastens the birth of federated learning (FL) over 5G+ mobile
devices, which pushes AI functions to mobile devices and initiates a new era of
on-device AI applications. Despite the remarkable progress made in FL, huge
energy consumption is one of the most significant obstacles restricting the
development of FL over battery-constrained 5G+ mobile devices. To address this
issue, in this paper, we investigate how to develop energy efficient FL over
5G+ mobile devices by making a trade-off between energy consumption for
"working" (i.e., local computing) and that for "talking" (i.e., wireless
communications) in order to boost the overall energy efficiency. Specifically,
we first examine energy consumption models for graphics processing unit (GPU)
computation and wireless transmissions. Then, we overview the state of the art
of integrating FL procedure with energy-efficient learning techniques (e.g.,
gradient sparsification, weight quantization, pruning, etc.). Finally, we
present several potential future research directions for FL over 5G+ mobile
devices from the perspective of energy efficiency.
- Abstract（参考訳）: 機械学習アルゴリズム、5G以降の(5G+)無線通信、人工知能(AI)ハードウェア実装の継続的な収束により、5G以上のモバイルデバイス上でのフェデレーション学習(FL)の誕生が促進され、AI機能をモバイルデバイスにプッシュし、デバイス上でAIアプリケーションの新しい時代が始まる。
FLの顕著な進歩にもかかわらず、巨大なエネルギー消費は、電池に制約された5G以上のモバイルデバイスよりもFLの開発を制限する最も重要な障害の1つである。
本稿では,5g+モバイル端末上でのエネルギー効率の向上を図るために,「作業」(すなわちローカルコンピューティング)と「会話」(すなわち無線通信)のトレードオフを行うことにより,エネルギー効率の高いflを5g+モバイル端末上で開発する方法を検討する。
具体的には,グラフィックス処理ユニット(GPU)計算と無線伝送のエネルギー消費モデルについて検討する。
次に,FL法とエネルギー効率の学習技術(勾配スペーシング,重み量子化,プルーニングなど)を統合する技術の現状について概説する。
最後に, エネルギー効率の観点から, 5g以上のモバイルデバイスにおけるflの将来研究の方向性について述べる。
関連論文リスト
- 5G Cellular -- An Energy Efficiency Perspective [0.0]
本研究の目的は,エネルギー効率の観点から5Gを実現することにある。
改良や修正によって5Gセルのエネルギー効率が向上する5Gセル内の特定の領域を指摘する努力がなされる。
論文 参考訳（メタデータ） (2024-02-18T20:01:55Z) - 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) - A Practical Cross-Device Federated Learning Framework over 5G Networks [47.72735882790756]
連邦学習(FL)の概念は、2016年にGoogleによって初めて提案された。
匿名通信技術とリングシグネチャを用いたクロスデバイス・フェデレーション学習フレームワークを提案する。
さらに,提案手法は,モバイルユーザのFL参加を促すために,コントリビューションベースのインセンティブ機構を実装している。
論文 参考訳（メタデータ） (2022-04-18T02:31:06Z) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳（メタデータ） (2021-10-04T19:41:42Z) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
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。
論文 参考訳（メタデータ） (2020-12-22T02:54:18Z) - 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)
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。