論文の概要: Sustainable Federated Learning

• arxiv url: http://arxiv.org/abs/2102.11274v1
• Date: Mon, 22 Feb 2021 18:58:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 14:32:20.030026
• Title: Sustainable Federated Learning
• Title（参考訳）: 持続的連合学習
• Authors: Basak Guler, Aylin Yener
• Abstract要約: 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。
• 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: Potential environmental impact of machine learning by large-scale wireless networks is a major challenge for the sustainability of future smart ecosystems. In this paper, we introduce sustainable machine learning in federated learning settings, using rechargeable devices that can collect energy from the ambient environment. We propose a practical federated learning framework that leverages intermittent energy arrivals for training, with provable convergence guarantees. Our framework can be applied to a wide range of machine learning settings in networked environments, including distributed and federated learning in wireless and edge networks. Our experiments demonstrate that the proposed framework can provide significant performance improvement over the benchmark energy-agnostic federated learning settings.
• Abstract（参考訳）: 大規模無線ネットワークによる機械学習の潜在的環境影響は、将来のスマートエコシステムの持続可能性にとって大きな課題である。 本稿では,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,連合学習環境における持続的機械学習を提案する。 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。 我々のフレームワークは、無線およびエッジネットワークにおける分散学習やフェデレーション学習を含む、ネットワーク環境における幅広い機械学習設定に適用できる。 実験により,提案フレームワークは,ベンチマークのエネルギー非依存なフェデレーション学習環境よりも,大幅なパフォーマンス向上を実現することを実証した。

関連論文リスト

• E-QUARTIC: Energy Efficient Edge Ensemble of Convolutional Neural Networks for Resource-Optimized Learning [9.957458251671486]
  Convolutional Neural Networks(CNN)のようなモデルを組み立てると、メモリとコンピューティングのオーバーヘッドが高くなり、組み込みシステムへのデプロイが妨げられる。 人工知能(AI)をベースとした組込みシステムを対象としたCNNのアンサンブルを構築するための,新しいエネルギー効率の良いエッジ組立フレームワークであるE-QUARTICを提案する。
  論文  参考訳（メタデータ） (2024-09-12T19:30:22Z)
• Harnessing Federated Generative Learning for Green and Sustainable Internet of Things [9.699977999019977]
  One-shot Federated Learning (OSFL)は、IoTエコシステム内の持続可能性と機械学習を調和させる革新的なパラダイムである。 OSFLは、複数の反復的なコミュニケーションラウンドをひとつの操作にまとめることで、従来のフェデレートラーニング(FL)ワークフローに革命をもたらす。 私たちの研究は、エネルギー効率のよいスマートシティや画期的なヘルスケアソリューションといった領域にまたがるIoTアプリケーションの景観を再構築する、OSFLの変革的な可能性を強調しています。
  論文  参考訳（メタデータ） (2024-04-30T17:15:26Z)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• A Unified Cognitive Learning Framework for Adapting to Dynamic Environment and Tasks [19.459770316922437]
  動的無線環境とタスクのための統合認知学習(CL)フレームワークを提案する。 提案するCLフレームワークには,動的な環境やタスクに適応する能力,自己学習能力,そして,変調認識を例に挙げて,「悪いお金を追い出す良い金」の能力という,3つの利点があることが示されている。
  論文  参考訳（メタデータ） (2021-06-01T14:08:20Z)
• 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)
• Energy-Harvesting Distributed Machine Learning [38.5300206965018]
  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。
  論文  参考訳（メタデータ） (2021-02-10T18:53:51Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)

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。