論文の概要: Federated Edge Learning with Misaligned Over-The-Air Computation

• arxiv url: http://arxiv.org/abs/2102.13604v1
• Date: Fri, 26 Feb 2021 17:19:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 13:39:49.807857
• Title: Federated Edge Learning with Misaligned Over-The-Air Computation
• Title（参考訳）: オーバーザエア計算によるフェデレーションエッジ学習
• Authors: Yulin Shao, Deniz Gunduz, Soung Chang Liew
• Abstract要約: オーバーザエア計算(OAC)は、フェデレーションエッジラーニングのアップリンクで高速なモデル集約を実現する有望な技術です。 残留チャネルゲインミスマッチと非同期の存在下での最大確率(ml)推定器の設計は、オープンな問題である。 本稿では,フェデレートエッジ学習におけるOACの誤りを定式化し,白色マッチングフィルタとサンプリング方式を提案する。
• 参考スコア（独自算出の注目度）: 36.39188653838991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over-the-air computation (OAC) is a promising technique to realize fast model aggregation in the uplink of federated edge learning. OAC, however, hinges on accurate channel-gain precoding and strict synchronization among the edge devices, which are challenging in practice. As such, how to design the maximum likelihood (ML) estimator in the presence of residual channel-gain mismatch and asynchronies is an open problem. To fill this gap, this paper formulates the problem of misaligned OAC for federated edge learning and puts forth a whitened matched filtering and sampling scheme to obtain oversampled, but independent, samples from the misaligned and overlapped signals. Given the whitened samples, a sum-product ML estimator and an aligned-sample estimator are devised to estimate the arithmetic sum of the transmitted symbols. In particular, the computational complexity of our sum-product ML estimator is linear in the packet length and hence is significantly lower than the conventional ML estimator. Extensive simulations on the test accuracy versus the average received energy per symbol to noise power spectral density ratio (EsN0) yield two main results: 1) In the low EsN0 regime, the aligned-sample estimator can achieve superior test accuracy provided that the phase misalignment is non-severe. In contrast, the ML estimator does not work well due to the error propagation and noise enhancement in the estimation process. 2) In the high EsN0 regime, the ML estimator attains the optimal learning performance regardless of the severity of phase misalignment. On the other hand, the aligned-sample estimator suffers from a test-accuracy loss caused by phase misalignment.
• Abstract（参考訳）: オーバーザエア計算(OAC)は、フェデレーションエッジラーニングのアップリンクで高速なモデル集約を実現する有望な技術です。 しかし、OACは正確なチャネルゲインプリコーディングとエッジデバイス間の厳密な同期に依存しており、実際は困難である。 このように、残存チャネルゲインミスマッチと非同期の存在下で最大の可能性(ML)推定器を設計する方法は、オープンな問題です。 このギャップを埋めるために,フェデレートエッジ学習におけるoacの不整合問題を定式化し,不整合信号と重なり信号からのサンプルの過サンプル化と独立化のために,ホワイトドマッチフィルタとサンプリングスキームを導入する。 ホワイト化されたサンプル、合計積ML推定器および整列サンプル推定器は、送信されたシンボルの算術的合計を推定するために考案される。 特に,和積ML推定器の計算複雑性はパケット長が線形であるため,従来のML推定器よりも著しく低い。 ノイズパワースペクトル密度比(EsN0)に対するシンボル当たりの平均受信エネルギーに対する試験精度の過大なシミュレーションは、1)低EsN0系では、位相不整合が不要である場合、整列サンプル推定器が優れた試験精度を達成できる。 対照的に、ML推定器は、推定過程における誤差伝搬とノイズ増強のためにうまく機能しない。 2)高EsN0方式では,位相ずれの重大さにかかわらず,ML推定器は最適学習性能が得られる。 一方、アライメントサンプル推定器は位相不整合によるテスト精度の低下に悩まされる。

関連論文リスト

• Fundamental limits of Non-Linear Low-Rank Matrix Estimation [18.455890316339595]
  ベイズ最適性能は、有効前のガウスモデルによって特徴づけられる。 信号を正確に再構成するためには、Nfrac 12 (1-1/k_F)$として増加する信号対雑音比が必要であり、$k_F$は関数の最初のゼロでないフィッシャー情報係数である。
  論文  参考訳（メタデータ） (2024-03-07T05:26:52Z)
• Quantum metrology in a lossless Mach-Zehnder interferometer using entangled photon inputs [0.0]
  光子計を用いたノイズレスマッハ・ツェンダー干渉計の位相不確かさを推定する。 まず,1つの測定値に対して最も低い位相不確実性をもたらす推定・測定戦略を考案する。
  論文  参考訳（メタデータ） (2023-10-03T13:43:02Z)
• Asymptotically Unbiased Instance-wise Regularized Partial AUC Optimization: Theory and Algorithm [101.44676036551537]
  One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。 既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。 本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
  論文  参考訳（メタデータ） (2022-10-08T08:26:22Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• One-Bit Compressed Sensing via One-Shot Hard Thresholding [7.594050968868919]
  1ビット圧縮センシングの問題は、いくつかのバイナリ測定からスパース信号を推定することである。 広範に使われている非制約の幅の概念から遠ざかる、斬新で簡潔な分析法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T17:28:03Z)
• Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond [69.83813153444115]
  因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。 Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。 本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
  論文  参考訳（メタデータ） (2019-12-30T14:42:52Z)

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。