論文の概要: Energy-Harvesting Distributed Machine Learning

• arxiv url: http://arxiv.org/abs/2102.05639v1
• Date: Wed, 10 Feb 2021 18:53:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-11 14:38:54.627747
• Title: Energy-Harvesting Distributed Machine Learning
• Title（参考訳）: エネルギーハーベスト分散機械学習
• Authors: Basak Guler, Aylin Yener
• Abstract要約: 機械学習モデルが環境環境からエネルギーを回収できる多数のデバイス上で訓練される分散学習環境を考察する。 我々のフレームワークはスケーラブルで、エネルギー統計の局所的な推定しか必要とせず、広範囲の分散トレーニング設定に適用できる。
• 参考スコア（独自算出の注目度）: 38.5300206965018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper provides a first study of utilizing energy harvesting for sustainable machine learning in distributed networks. We consider a distributed learning setup in which a machine learning model is trained over a large number of devices that can harvest energy from the ambient environment, and develop a practical learning framework with theoretical convergence guarantees. We demonstrate through numerical experiments that the proposed framework can significantly outperform energy-agnostic benchmarks. Our framework is scalable, requires only local estimation of the energy statistics, and can be applied to a wide range of distributed training settings, including machine learning in wireless networks, edge computing, and mobile internet of things.
• Abstract（参考訳）: 本稿では,分散ネットワークにおける持続的機械学習のためのエネルギー収穫の活用に関する最初の研究を行う。 本研究では,環境環境からエネルギーを回収可能な多数のデバイス上で機械学習モデルをトレーニングする分散学習セットアップを考察し,理論的収束を保証した実用的な学習フレームワークを開発する。 数値実験により,提案手法がエネルギー非依存のベンチマークを著しく上回ることを示した。 私たちのフレームワークはスケーラブルで、エネルギー統計の局所的な推定のみを必要とし、ワイヤレスネットワーク、エッジコンピューティング、およびモノのモバイルインターネットでの機械学習を含む、幅広い分散トレーニング設定に適用できます。

関連論文リスト

• From Computation to Consumption: Exploring the Compute-Energy Link for Training and Testing Neural Networks for SED Systems [9.658615045493734]
  本稿では,音事象検出システムの主要なコンポーネントであるニューラルネットワークアーキテクチャについて検討する。 我々は,小規模から大規模アーキテクチャの訓練および試験におけるエネルギー消費量を測定した。 我々は,エネルギー消費,浮動小数点演算数,パラメータ数,GPU/メモリ利用率の複雑な関係を確立する。
  論文  参考訳（メタデータ） (2024-09-08T12:51:34Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• Automating In-Network Machine Learning [2.857025628729502]
  Planterは、トレーニングされた機械学習モデルをプログラム可能なデバイスにマッピングするためのオープンソースのフレームワークである。 ネットワーク内機械学習アルゴリズムは,回線レートで動作し,レイテンシへの影響を無視し,標準スイッチング機能と共存し,精度のトレードオフがないことを示す。
  論文  参考訳（メタデータ） (2022-05-18T09:42:22Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Sustainable Federated Learning [38.5300206965018]
  環境環境からエネルギーを収集できる充電可能なデバイスを用いて,連合学習環境で持続可能な機械学習を導入する。 本稿では,間欠的なエネルギー到着を訓練に活用する実践的なフェデレート学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-22T18:58:47Z)
• Plasticity-Enhanced Domain-Wall MTJ Neural Networks for Energy-Efficient Online Learning [9.481629586734497]
  有望な不揮発性メモリデバイスである磁壁磁気トンネル接合(DW-MTJ)によって実現された多段階学習システムについて示す。 この装置の物理的特性と神経科学に触発された可塑性学習ルールの最適実装の相互作用を実証する。 私たちのエネルギー分析は、一般的に機械学習で使用される大きなタスクであっても、学習予算が20ドル以下であることから、このアプローチの価値を確認します。
  論文  参考訳（メタデータ） (2020-03-04T22:45:59Z)
• Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
  我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。 エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。 炭素排出量削減とエネルギー消費削減のための戦略を提案する。
  論文  参考訳（メタデータ） (2020-01-31T05:12:59Z)
• Resource-Efficient Neural Networks for Embedded Systems [23.532396005466627]
  本稿では,機械学習技術の現状について概説する。 私たちは、過去10年で主要な機械学習モデルであるディープニューラルネットワーク(DNN)に基づく、リソース効率の高い推論に焦点を当てています。 我々は、圧縮技術を用いて、よく知られたベンチマークデータセットの実験で議論を裏付ける。
  論文  参考訳（メタデータ） (2020-01-07T14:17:09Z)

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。