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
- Wireless Federated Learning over UAV-enabled Integrated Sensing and Communication [2.8203310972866382]
本稿では,無人航空機(UAV)を利用した統合型統合学習(FL)における新しい遅延最適化問題について検討する。
ベンチマーク方式と比較して,システム遅延を最大68.54%削減し,高品質な近似解を求めるため,単純かつ効率的な反復アルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-11-01T14:25:24Z) - Deep Learning Methods for Adjusting Global MFD Speed Estimations to Local Link Configurations [4.2185937778110825]
本研究では,MFDに基づくネットワーク平均速度とネットワーク構成を統合し,リンクの個々の速度を正確に推定するローカル補正係数(LCF)を提案する。
ネットワークの空間的構成と時間的ダイナミクスの両方をキャプチャするために、新しいディープラーニングフレームワークを使用します。
本モデルは,集約モデルの計算的利点を保ちながら,リンクレベルの交通速度推定の精度を向上させる。
論文 参考訳(メタデータ) (2024-05-23T07:37:33Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳(メタデータ) (2023-10-16T05:49:28Z) - FedDCT: A Dynamic Cross-Tier Federated Learning Framework in Wireless Networks [5.914766366715661]
フェデレートラーニング(FL)は、ローカルデータを公開せずにデバイス全体でグローバルモデルをトレーニングする。
無線ネットワークにおけるリソースの不均一性と避けられないストラグラーは、FLトレーニングの効率と正確性に大きな影響を与えます。
動的クロスティアフェデレーション学習フレームワーク(FedDCT)を提案する。
論文 参考訳(メタデータ) (2023-07-10T08:54:07Z) - 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) - 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) - 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。