論文の概要: CSIT-Free Federated Edge Learning via Reconfigurable Intelligent Surface
- arxiv url: http://arxiv.org/abs/2102.10749v1
- Date: Mon, 22 Feb 2021 03:24:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 15:06:39.032460
- Title: CSIT-Free Federated Edge Learning via Reconfigurable Intelligent Surface
- Title（参考訳）: 再構成可能なインテリジェントサーフェスによるCSITフリーフェデレーションエッジ学習
- Authors: Hang Liu, Xiaojun Yuan, Ying-Jun Angela Zhang
- Abstract要約: reSITインテリジェントエッジ(RIS)技術を活用して、CSITがエッジとするカスケードチャンネルを整列させます。
得られた非構成モデル凝集係数のアルゴリズムを開発する。
提案手法は、最先端のCSITベースのソリューションと同様の学習精度を実現することができる。
- 参考スコア（独自算出の注目度）: 25.30094403011711
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study over-the-air model aggregation in federated edge learning (FEEL)
systems, where channel state information at the transmitters (CSIT) is assumed
to be unavailable. We leverage the reconfigurable intelligent surface (RIS)
technology to align the cascaded channel coefficients for CSIT-free model
aggregation. To this end, we jointly optimize the RIS and the receiver by
minimizing the aggregation error under the channel alignment constraint. We
then develop a difference-of-convex algorithm for the resulting non-convex
optimization. Numerical experiments on image classification show that the
proposed method is able to achieve a similar learning accuracy as the
state-of-the-art CSIT-based solution, demonstrating the efficiency of our
approach in combating the lack of CSIT.
- Abstract（参考訳）: 送信機(CSIT)のチャネル状態情報が利用できないと仮定したフェデレーションエッジラーニング(FEEL)システムにおけるオーバー・ザ・エアモデルアグリゲーションについて検討する。
再構成可能なインテリジェントサーフェス(RIS)技術を活用して、CSITフリーモデルアグリゲーションのためのカスケードチャネル係数を調整します。
そこで我々は,チャネルアライメント制約下でのアグリゲーション誤差を最小化し,risと受信機を共同で最適化する。
得られた非凸最適化のための差分凸アルゴリズムを開発する。
画像分類における数値的実験により,提案手法は最新のCSITベースのソリューションと同様の学習精度を達成し,CSITの不足に対するアプローチの効率性を示した。
関連論文リスト
- Over-the-Air Federated Learning via Weighted Aggregation [9.043019524847491]
本稿では, オーバー・ザ・エア計算を利用した新しいフェデレーション学習手法を提案する。
このスキームの新たな特徴は、アグリゲーション中に適応重みを用いるという提案である。
提案手法の収束を導出する数学的手法を提案する。
論文 参考訳（メタデータ） (2024-09-12T08:07:11Z) - 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) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-04T09:26:03Z) - Differentially Private Federated Learning via Reconfigurable Intelligent
Surface [27.004823731436765]
フェデレートラーニング(FL)は、分散化されたローカルデータセットを共有せずに、グローバルモデルの協調トレーニングを可能にする。
本稿では,学習精度とプライバシのジレンマを軽減するために,再構成可能インテリジェントサーフェス (RIS) を用いたオーバー・ザ・エア FLシステムを提案する。
論文 参考訳（メタデータ） (2022-03-31T13:45:02Z) - Reconfigurable Intelligent Surface Enabled Spatial Multiplexing with
Fully Convolutional Network [40.817290717344534]
RIS(Reconfigurable Surface)は、無線通信システムのための新興技術である。
本稿では,この問題を解決するために完全畳み込みネットワーク(WSNFC)を提案する。
我々は、RISとダイレクトチャネルを経由するカスケードチャネルを含む一連のチャネル機能を設計する。
論文 参考訳（メタデータ） (2022-01-08T14:16:00Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - Learning Robust Beamforming for MISO Downlink Systems [14.429561340880074]
基地局は、不完全なチャネル状態情報(CSI)とその特徴だけで効率的なマルチアンテナ伝送戦略を特定する。
深層ニューラルネットワーク(DNN)を実世界の伝播環境に合わせて最適化した堅牢なトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-02T09:56:35Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Reparameterized Variational Divergence Minimization for Stable Imitation [57.06909373038396]
確率的発散の選択における変動が、より高性能なILOアルゴリズムをもたらす可能性について検討する。
本稿では,提案する$f$-divergence最小化フレームワークの課題を軽減するために,逆模倣学習のための再パラメータ化手法を提案する。
経験的に、我々の設計選択は、ベースラインアプローチより優れ、低次元連続制御タスクにおける専門家のパフォーマンスとより密に適合するIOOアルゴリズムを許容することを示した。
論文 参考訳（メタデータ） (2020-06-18T19:04:09Z)
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。