論文の概要: Auction Based Clustered Federated Learning in Mobile Edge Computing
System
- arxiv url: http://arxiv.org/abs/2103.07150v1
- Date: Fri, 12 Mar 2021 08:54:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 13:32:26.718953
- Title: Auction Based Clustered Federated Learning in Mobile Edge Computing
System
- Title（参考訳）: モバイルエッジコンピューティングシステムにおけるオークションに基づくクラスタ化フェデレーション学習
- Authors: Renhao Lu, Weizhe Zhang, Qiong Li, Xiaoxiong Zhong and Athanasios V.
Vasilakos
- Abstract要約: Federated Learningは、ローカルコンピューティングとローカルデータを使用して人工知能(AI)モデルをトレーニングする分散機械学習ソリューションである。
本稿では,グローバル分布を満たすフェデレーション仮想データセットを生成するクラスタベースのクライアント選択手法を提案する。
提案手法とオークションに基づくフェデレーション学習により,異なるデータ分布下での畳み込みニューラルネットワークモデル(CNN)により,より優れた性能が得られることを示す。
- 参考スコア（独自算出の注目度）: 13.710325615076687
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, mobile clients' computing ability and storage capacity have
greatly improved, efficiently dealing with some applications locally. Federated
learning is a promising distributed machine learning solution that uses local
computing and local data to train the Artificial Intelligence (AI) model.
Combining local computing and federated learning can train a powerful AI model
under the premise of ensuring local data privacy while making full use of
mobile clients' resources. However, the heterogeneity of local data, that is,
Non-independent and identical distribution (Non-IID) and imbalance of local
data size, may bring a bottleneck hindering the application of federated
learning in mobile edge computing (MEC) system. Inspired by this, we propose a
cluster-based clients selection method that can generate a federated virtual
dataset that satisfies the global distribution to offset the impact of data
heterogeneity and proved that the proposed scheme could converge to an
approximate optimal solution. Based on the clustering method, we propose an
auction-based clients selection scheme within each cluster that fully considers
the system's energy heterogeneity and gives the Nash equilibrium solution of
the proposed scheme for balance the energy consumption and improving the
convergence rate. The simulation results show that our proposed selection
methods and auction-based federated learning can achieve better performance
with the Convolutional Neural Network model (CNN) under different data
distributions.
- Abstract（参考訳）: 近年、モバイルクライアントのコンピューティング能力とストレージ容量は大幅に改善され、ローカルでいくつかのアプリケーションを効率的に処理している。
Federated Learningは、ローカルコンピューティングとローカルデータを使用して人工知能(AI)モデルをトレーニングする有望な分散機械学習ソリューションです。
ローカルコンピューティングとフェデレーション学習を組み合わせることで、モバイルクライアントのリソースをフル活用しながら、ローカルデータのプライバシを保証するという前提の下で、強力なAIモデルをトレーニングすることができる。
しかし、ローカルデータの不均一性、すなわち非独立で同一の分布(非IID)とローカルデータサイズの不均衡は、モバイルエッジコンピューティング(MEC)システムにおけるフェデレーションラーニングの適用を妨げるボトルネックをもたらす可能性がある。
そこで本稿では,その影響を相殺するために,グローバル分布を満足するフェデレーション仮想データセットを生成するクラスタベースのクライアント選択手法を提案し,提案手法が近似最適解に収束できることを検証した。
クラスタリング手法に基づいて,各クラスタ内のオークションベースのクライアント選択方式を提案し,システムのエネルギー不均一性を十分に考慮し,エネルギー消費の均衡と収束率の向上を図り,提案手法のナッシュ平衡解を与える。
シミュレーションの結果,提案手法とオークションベースの連合学習により,異なるデータ分布下での畳み込みニューラルネットワークモデル(cnn)により,よりよい性能が得られることがわかった。
関連論文リスト
- Fed-QSSL: A Framework for Personalized Federated Learning under Bitwidth
and Data Heterogeneity [14.313847382199059]
Fed-QSSL (Federated Quantization-based self-supervised learning scheme) はFLシステムの不均一性に対処するために設計された。
Fed-QSSLは、デ量子化、重み付けされたアグリゲーション、再量子化をデプロイし、最終的に、各クライアントのデバイスのデータ分散と特定のインフラストラクチャの両方にパーソナライズされたモデルを作成する。
論文 参考訳（メタデータ） (2023-12-20T19:11:19Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳（メタデータ） (2023-09-18T12:35:05Z) - Federated cINN Clustering for Accurate Clustered Federated Learning [33.72494731516968]
フェデレートラーニング(FL)は、プライバシを保存する分散機械学習に対する革新的なアプローチである。
本稿では,クライアントを複数のグループに頑健にクラスタリングするFederated cINN Clustering Algorithm (FCCA)を提案する。
論文 参考訳（メタデータ） (2023-09-04T10:47:52Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳（メタデータ） (2023-07-12T16:28:21Z) - Reinforcement Federated Learning Method Based on Adaptive OPTICS
Clustering [19.73560248813166]
本稿では,フェデレート学習のための適応型OPTICSクラスタリングアルゴリズムを提案する。
クラスタリング環境をMarkov決定プロセスとして認識することで、OPTICSクラスタの最良のパラメータを見つけることがゴールです。
本手法の信頼性と実用性は, 実験データから検証され, 有効性と優越性が確認された。
論文 参考訳（メタデータ） (2023-06-22T13:11:19Z) - SphereFed: Hyperspherical Federated Learning [22.81101040608304]
主な課題は、複数のクライアントにまたがる非i.i.d.データの処理である。
非i.d.問題に対処するために,超球面フェデレートラーニング(SphereFed)フレームワークを導入する。
ローカルデータに直接アクセスすることなく, キャリブレーションの解を効率的に, 分散的に計算できることを示す。
論文 参考訳（メタデータ） (2022-07-19T17:13:06Z) - Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。
このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
論文 参考訳（メタデータ） (2022-02-17T02:01:37Z) - Communication-Efficient Hierarchical Federated Learning for IoT
Heterogeneous Systems with Imbalanced Data [42.26599494940002]
フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。
本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。
複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
論文 参考訳（メタデータ） (2021-07-14T08:32:39Z) - Clustered Federated Learning via Generalized Total Variation
Minimization [83.26141667853057]
本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。
我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。
私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
論文 参考訳（メタデータ） (2021-05-26T18:07:19Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。
非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。
ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文 参考訳（メタデータ） (2020-05-03T09:14:31Z)
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。