論文の概要: Optimization of User Selection and Bandwidth Allocation for Federated Learning in VLC/RF Systems

• arxiv url: http://arxiv.org/abs/2103.03444v1
• Date: Fri, 5 Mar 2021 02:44:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-08 14:40:07.899130
• Title: Optimization of User Selection and Bandwidth Allocation for Federated Learning in VLC/RF Systems
• Title（参考訳）: VLC/RFシステムにおけるフェデレーション学習におけるユーザ選択と帯域配置の最適化
• Authors: Chuanhong Liu, Caili Guo, Yang Yang, Mingzhe Chen, H. Vincent Poor, and Shuguang Cui
• Abstract要約: 限定無線周波数(rf)リソースは、連合学習(fl)に参加可能なユーザ数を制限する。 本稿では、FLにおけるRFの補足として可視光通信(VLC)を導入し、ハイブリッドVLC/RF通信システムを構築する。 ハイブリッドVLC/RFシステム上で実装されたFLのユーザ選択と帯域幅割り当ての問題について検討した。
• 参考スコア（独自算出の注目度）: 96.56895050190064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Limited radio frequency (RF) resources restrict the number of users that can participate in federated learning (FL) thus affecting FL convergence speed and performance. In this paper, we first introduce visible light communication (VLC) as a supplement to RF in FL and build a hybrid VLC/RF communication system, in which each indoor user can use both VLC and RF to transmit its FL model parameters. Then, the problem of user selection and bandwidth allocation is studied for FL implemented over a hybrid VLC/RF system aiming to optimize the FL performance. The problem is first separated into two subproblems. The first subproblem is a user selection problem with a given bandwidth allocation, which is solved by a traversal algorithm. The second subproblem is a bandwidth allocation problem with a given user selection, which is solved by a numerical method. The final user selection and bandwidth allocation are obtained by iteratively solving these two subproblems. Simulation results show that the proposed FL algorithm that efficiently uses VLC and RF for FL model transmission can improve the prediction accuracy by up to 10% compared with a conventional FL system using only RF.
• Abstract（参考訳）: 限られた無線周波数(RF)リソースは、FL収束速度とパフォーマンスに影響を与えるように、フェデレーションラーニング(FL)に参加できるユーザー数を制限します。 本稿では、まずFLにおけるRFの補足として可視光通信(VLC)を導入し、各室内ユーザがVLCとRFの両方を使用してFLモデルパラメータを送信できるハイブリッドVLC/RF通信システムを構築する。 そこで, FL性能最適化を目的としたハイブリッドVLC/RFシステム上で実装したFLについて, ユーザ選択と帯域割当の問題を検討した。 問題はまず2つの部分問題に分かれる。 最初のサブプロブレムは、トラバーサルアルゴリズムによって解決される所定の帯域幅割り当てを持つユーザー選択問題である。 第2のサブプロブレムは、与えられたユーザ選択による帯域幅割り当て問題であり、数値法によって解決される。 最終的なユーザ選択と帯域割り当ては、これら2つのサブ問題を反復的に解いて得られる。 シミュレーションの結果,FLモデル伝送に VLC と RF を効率よく利用するFLアルゴリズムは,従来の RF を用いた FL システムと比較して,予測精度を最大10%向上できることがわかった。

関連論文リスト

• FLCC: Efficient Distributed Federated Learning on IoMT over CSMA/CA [0.0]
  フェデレートラーニング(FL)は、プライバシー保護のための有望なアプローチとして登場した。 本稿では,アドホックネットワーク上で遠隔医療システムを改善するアプリケーションにおけるFLの性能について検討する。 ネットワーク性能を評価するための指標として,1) 干渉を最小限に抑えながら伝送を成功させる確率,2) 精度と損失の点で分散FLモデルの性能を示す。
  論文  参考訳（メタデータ） (2023-03-29T16:36:42Z)
• Federated Learning with Flexible Control [30.65854375019346]
  フェデレートラーニング(FL)は、ユーザが収集したローカルデータから分散モデルトレーニングを可能にする。 制約のあるリソースと潜在的に高いダイナミクスを持つ分散システムでは、例えばモバイルエッジネットワークでは、FLの効率が重要な問題である。 フレキシブルに調整可能な複数のオプションを持つFLアルゴリズムであるFlexFLを提案する。
  論文  参考訳（メタデータ） (2022-12-16T14:21:29Z)
• Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
  本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。 提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。 FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T08:52:51Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Time-triggered Federated Learning over Wireless Networks [48.389824560183776]
  無線ネットワーク上での時系列FLアルゴリズム(TT-Fed)を提案する。 提案したTT-Fedアルゴリズムは, それぞれ最大12.5%, 5%の収束試験精度を向上する。
  論文  参考訳（メタデータ） (2022-04-26T16:37:29Z)
• Joint Optimization of Communications and Federated Learning Over the Air [32.14738452396869]
  Federated Learning(FL)は、データプライバシーを保護しながら、リッチな分散データを利用するための魅力的なパラダイムです。 本稿では,リアル無線ネットワークにおけるアナログアグリゲーション伝送に基づく通信とFLの協調最適化について検討する。
  論文  参考訳（メタデータ） (2021-04-08T03:38:31Z)
• Delay Minimization for Federated Learning Over Wireless Communication Networks [172.42768672943365]
  無線通信ネットワーク上でのフェデレーション学習(FL)における遅延計算の問題について検討した。 最適解を得るために,二項探索アルゴリズムを提案する。 シミュレーションの結果,提案アルゴリズムは従来のFL法と比較して最大27.3%遅延を低減できることがわかった。
  論文  参考訳（メタデータ） (2020-07-05T19:00:07Z)
• Convergence Time Optimization for Federated Learning over Wireless Networks [160.82696473996566]
  無線ユーザが(ローカル収集データを用いて訓練した)ローカルFLモデルを基地局(BS)に送信する無線ネットワークを考える。 中央コントローラとして機能するBSは、受信したローカルFLモデルを使用してグローバルFLモデルを生成し、それを全ユーザにブロードキャストする。 無線ネットワークにおけるリソースブロック(RB)の数が限られているため、ローカルFLモデルパラメータをBSに送信するために選択できるのは一部のユーザのみである。 各ユーザが独自のトレーニングデータサンプルを持っているため、BSは、収束したグローバルFLモデルを生成するために、すべてのローカルユーザFLモデルを含むことを好んでいる。
  論文  参考訳（メタデータ） (2020-01-22T01:55:12Z)

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。