論文の概要: Data-Aware Device Scheduling for Federated Edge Learning
- arxiv url: http://arxiv.org/abs/2102.09491v1
- Date: Thu, 18 Feb 2021 17:17:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-20 06:51:59.132760
- Title: Data-Aware Device Scheduling for Federated Edge Learning
- Title（参考訳）: フェデレーションエッジ学習のためのデータアウェアデバイススケジューリング
- Authors: Afaf Taik, Zoubeir Mlika and Soumaya Cherkaoui
- Abstract要約: Federated Edge Learning (FEEL)は、エッジデバイス間の機械学習モデルの協調トレーニングを含む。
FEELにおける非独立分散(非IID)データセットとアンバランスデータセットの新しいスケジューリング方式を提案する。
提案するFEELスケジューリングアルゴリズムは,低コストで数ラウンドで高い精度を実現することができることを示す。
- 参考スコア（独自算出の注目度）: 5.521735057483887
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated Edge Learning (FEEL) involves the collaborative training of machine
learning models among edge devices, with the orchestration of a server in a
wireless edge network. Due to frequent model updates, FEEL needs to be adapted
to the limited communication bandwidth, scarce energy of edge devices, and the
statistical heterogeneity of edge devices' data distributions. Therefore, a
careful scheduling of a subset of devices for training and uploading models is
necessary. In contrast to previous work in FEEL where the data aspects are
under-explored, we consider data properties at the heart of the proposed
scheduling algorithm. To this end, we propose a new scheduling scheme for
non-independent and-identically-distributed (non-IID) and unbalanced datasets
in FEEL. As the data is the key component of the learning, we propose a new set
of considerations for data characteristics in wireless scheduling algorithms in
FEEL. In fact, the data collected by the devices depends on the local
environment and usage pattern. Thus, the datasets vary in size and
distributions among the devices. In the proposed algorithm, we consider both
data and resource perspectives. In addition to minimizing the completion time
of FEEL as well as the transmission energy of the participating devices, the
algorithm prioritizes devices with rich and diverse datasets. We first define a
general framework for the data-aware scheduling and the main axes and
requirements for diversity evaluation. Then, we discuss diversity aspects and
some exploitable techniques and metrics. Next, we formulate the problem and
present our FEEL scheduling algorithm. Evaluations in different scenarios show
that our proposed FEEL scheduling algorithm can help achieve high accuracy in
few rounds with a reduced cost.
- Abstract（参考訳）: Federated Edge Learning (FEEL)は、エッジデバイス間の機械学習モデルの協調トレーニングと、無線エッジネットワーク内のサーバのオーケストレーションを含む。
頻繁なモデル更新のため、FEELは限られた通信帯域幅、エッジデバイスのエネルギー不足、エッジデバイスのデータ分布の統計的不均一性に適応する必要がある。
したがって、モデルのトレーニングとアップロードのためのデバイスサブセットの注意深くスケジューリングする必要がある。
データ面が未検討であるような以前の作業とは対照的に,提案するスケジューリングアルゴリズムの核となるデータ特性を検討する。
そこで本研究では,非独立分散(非IID)および非平衡データセットをFEELでスケジューリングする手法を提案する。
データは学習の鍵となる要素であるため,FEELにおける無線スケジューリングアルゴリズムにおけるデータ特性に関する新たな検討方法を提案する。
実際、デバイスによって収集されたデータは、ローカル環境と利用パターンに依存します。
したがって、データセットのサイズや分布はデバイスによって異なる。
提案アルゴリズムでは,データと資源の両方の観点から考察する。
FEELの完了時間と参加デバイスの伝送エネルギーを最小限に抑えるだけでなく、アルゴリズムは豊富で多様なデータセットを持つデバイスを優先します。
まず,データアウェアスケジューリングのための汎用フレームワークと,主な軸と多様性評価の要件を定義した。
次に、多様性の側面といくつかの悪用可能な技術とメトリクスについて論じる。
次に、この問題を定式化し、FEELスケジューリングアルゴリズムを提案する。
異なるシナリオで評価した結果,提案するFEELスケジューリングアルゴリズムは,低コストで数ラウンドで高い精度を達成できることがわかった。
関連論文リスト
- Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳（メタデータ） (2023-05-02T07:41:16Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Collaborative Learning over Wireless Networks: An Introductory Overview [84.09366153693361]
主に、ワイヤレスデバイス間の協調トレーニングに焦点を合わせます。
過去数十年間、多くの分散最適化アルゴリズムが開発されてきた。
データ局所性 – すなわち、各参加デバイスで利用可能なデータがローカルのままである間、共同モデルを協調的にトレーニングすることができる。
論文 参考訳（メタデータ） (2021-12-07T20:15:39Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Federated Edge Learning : Design Issues and Challenges [1.916348196696894]
Federated Learning(FL)は分散機械学習技術であり、各デバイスはそのローカルトレーニングデータに基づいて勾配を独立に計算することで学習モデルに寄与する。
FLをネットワークエッジに実装することは、システムとデータの不均一性とリソースの制約のために難しい。
本稿では、今後の研究方向性の指針として、データ認識スケジューリングのための一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-31T19:56:36Z) - On the Use of Interpretable Machine Learning for the Management of Data
Quality [13.075880857448059]
我々は、解釈可能な機械学習を用いて、あらゆるデータ処理アクティビティをベースとした重要な機能を提供する。
私たちの目標は、少なくとも、収集されたデータセットで重要なものとして検出される機能に対して、データ品質を確保することです。
論文 参考訳（メタデータ） (2020-07-29T08:49:32Z) - Scheduling Policy and Power Allocation for Federated Learning in NOMA
Based MEC [21.267954799102874]
Federated Learning(FL)は、データ分散を維持しながらモデルを集中的にトレーニングできる、高度に追求された機械学習技術である。
重み付き和データレートを最大化するために、非直交多重アクセス(NOMA)設定を用いた新しいスケジューリングポリシーと電力割当方式を提案する。
シミュレーションの結果,提案手法は,NOMAベースの無線ネットワークにおいて高いFLテスト精度を実現するのに有効であることがわかった。
論文 参考訳（メタデータ） (2020-06-21T23:07:41Z) - Convergence of Update Aware Device Scheduling for Federated Learning at
the Wireless Edge [84.55126371346452]
遠隔パラメータサーバ(PS)の助けを借りて、ローカルデータセットを持つパワー制限デバイスが共同でジョイントモデルを訓練する無線エッジにおけるフェデレーション学習について研究する。
各ラウンドで送信するデバイスのサブセットを決定する新しいスケジューリングとリソース割り当てポリシーを設計する。
数値実験の結果,提案したスケジューリングポリシーは,チャネル条件と局所モデル更新の重要性の両方に基づいており,両者の指標のみに基づくスケジューリングポリシーよりも長期的性能がよいことがわかった。
論文 参考訳（メタデータ） (2020-01-28T15:15:22Z)
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。