論文の概要: Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2102.03401v1
• Date: Fri, 5 Feb 2021 19:57:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:57:31.696910
• Title: Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles
• Title（参考訳）: 道路上でのフェデレーション学習:コネクテッドおよび自律車両のための自律制御設計
• Authors: Tengchan Zeng, Omid Semiari, Mingzhe Chen, Walid Saad, and Mehdi Bennis
• Abstract要約: CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
• 参考スコア（独自算出の注目度）: 109.71532364079711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A new federated learning (FL) framework enabled by large-scale wireless connectivity is proposed for designing the autonomous controller of connected and autonomous vehicles (CAVs). In this framework, the learning models used by the controllers are collaboratively trained among a group of CAVs. To capture the varying CAV participation in the FL training process and the diverse local data quality among CAVs, a novel dynamic federated proximal (DFP) algorithm is proposed that accounts for the mobility of CAVs, the wireless fading channels, as well as the unbalanced and nonindependent and identically distributed data across CAVs. A rigorous convergence analysis is performed for the proposed algorithm to identify how fast the CAVs converge to using the optimal autonomous controller. In particular, the impacts of varying CAV participation in the FL process and diverse CAV data quality on the convergence of the proposed DFP algorithm are explicitly analyzed. Leveraging this analysis, an incentive mechanism based on contract theory is designed to improve the FL convergence speed. Simulation results using real vehicular data traces show that the proposed DFP-based controller can accurately track the target CAV speed over time and under different traffic scenarios. Moreover, the results show that the proposed DFP algorithm has a much faster convergence compared to popular FL algorithms such as federated averaging (FedAvg) and federated proximal (FedProx). The results also validate the feasibility of the contract-theoretic incentive mechanism and show that the proposed mechanism can improve the convergence speed of the DFP algorithm by 40% compared to the baselines.
• Abstract（参考訳）: 接続型および自律型車両 (CAV) の自律コントローラを設計するために, 大規模無線接続によって実現される新たなフェデレーションラーニング (FL) フレームワークを提案する。 このフレームワークでは、コントローラが使用する学習モデルは、CAVのグループ間で協調的に訓練される。 FLトレーニングプロセスにおける各種CAVの関与とCAV間の多様なローカルデータ品質を捉えるために,CAVの移動性,無線フェージングチャネル,および不均衡で非独立で同一に分散されたCAVの移動性を考慮した新しい動的フェデレーション・プロキシ(DFP)アルゴリズムを提案する。 提案アルゴリズムでは,CAVが最適な自律制御器を用いてどの程度の速さで収束するか,厳密な収束解析を行う。 特に、FLプロセスにおける様々なCAV参加と多様なCAVデータ品質が提案したDFPアルゴリズムの収束に与える影響を明示的に分析する。 この分析を活用して、FL収束速度を改善するために、契約理論に基づくインセンティブメカニズムを設計する。 実車載データトレースを用いたシミュレーションの結果,提案したDFP制御器は,時間と交通シナリオの異なる目標CAV速度を正確に追跡できることがわかった。 さらに,FedAvg (Federated Averaging) やFedProx (Federated Proximal) といった一般的なFLアルゴリズムと比較して,DFPアルゴリズムの方がはるかに高速な収束性を示した。 その結果、契約理論的インセンティブメカニズムの実現可能性も検証し、提案されたメカニズムがベースラインと比較してDFPアルゴリズムの収束速度を40%改善できることを示した。

関連論文リスト

• Accelerating Wireless Federated Learning via Nesterov's Momentum and Distributed Principle Component Analysis [59.127630388320036]
  サーバと作業員が無線チャネルを介して未コーディング情報を交換できるようにすることにより、無線連合学習システムについて検討する。 ワーカは、帯域幅に制限のあるチャネルを介して、しばしばサーバにローカルにアップロードするため、ワーカからサーバへのアップリンク送信は、通信ボトルネックとなる。 ワンショット分散原理成分分析(PCA)を利用して通信ボトルネックの次元を縮小する。
  論文  参考訳（メタデータ） (2023-03-31T08:41:42Z)
• Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
  本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。 提案したビット幅FLスキームでは、エッジデバイスがローカルFLモデルパラメータの量子化バージョンを調整し、コーディネートサーバに送信する。 目的は、局所的なFLモデルの量子化に使用されるビット幅と、各イテレーションでFLトレーニングに参加するデバイスセットを共同で決定することである。
  論文  参考訳（メタデータ） (2022-09-21T08:52:51Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• 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)
• Communication-Efficient Stochastic Zeroth-Order Optimization for Federated Learning [28.65635956111857]
  フェデレートラーニング(FL)は、エッジデバイスがプライベートデータを共有せずに、グローバルモデルを協調的にトレーニングすることを可能にする。 FLの訓練効率を向上させるため,一階計算から一階法まで,様々なアルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2022-01-24T08:56:06Z)
• Semi-asynchronous Hierarchical Federated Learning for Cooperative Intelligent Transportation Systems [10.257042901204528]
  コラボレーティブ・インテリジェント・トランスポート・システム(C-ITS)は、自動運転車や道路インフラの安全性、効率性、持続可能性、快適なサービスを提供する有望なネットワークである。 C-ITSのコンポーネントは通常大量のデータを生成するため、データサイエンスを探索することは困難である。 本稿では,C-ITSのためのSemi-a synchronous Federated Learning (SHFL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-18T07:44:34Z)
• Fast Convergence Algorithm for Analog Federated Learning [30.399830943617772]
  無線チャネル上での効率的なアナログフェデレーション学習のためのAirCompベースのFedSplitアルゴリズムを提案する。 提案アルゴリズムは, 目的関数が強く凸かつ滑らかであるという仮定の下で, 最適解に線形収束することを示す。 我々のアルゴリズムは、他のベンチマークFLアルゴリズムと比較して、より高速な収束を伴う不条件問題に対して、より堅牢であることが理論的および実験的に検証されている。
  論文  参考訳（メタデータ） (2020-10-30T10:59:49Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。