論文の概要: Real-time End-to-End Federated Learning: An Automotive Case Study
- arxiv url: http://arxiv.org/abs/2103.11879v1
- Date: Mon, 22 Mar 2021 14:16:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 22:50:22.663560
- Title: Real-time End-to-End Federated Learning: An Automotive Case Study
- Title(参考訳): リアルタイムエンドツーエンドのフェデレーション学習:自動車ケーススタディ
- Authors: Hongyi Zhang, Jan Bosch, Helena Holmstr\"om Olsson
- Abstract要約: 本稿では,新しい非同期モデルアグリゲーションプロトコルと組み合わさったリアルタイムエンドツーエンドフェデレーション学習のアプローチを提案する。
その結果,非同期フェデレーション学習は,局所エッジモデルの予測性能を大幅に向上させ,集中型機械学習法と同じ精度に到達できることがわかった。
- 参考スコア(独自算出の注目度): 16.79939549201032
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the development and the increasing interests in ML/DL fields, companies
are eager to utilize these methods to improve their service quality and user
experience. Federated Learning has been introduced as an efficient model
training approach to distribute and speed up time-consuming model training and
preserve user data privacy. However, common Federated Learning methods apply a
synchronized protocol to perform model aggregation, which turns out to be
inflexible and unable to adapt to rapidly evolving environments and
heterogeneous hardware settings in real-world systems. In this paper, we
introduce an approach to real-time end-to-end Federated Learning combined with
a novel asynchronous model aggregation protocol. We validate our approach in an
industrial use case in the automotive domain focusing on steering wheel angle
prediction for autonomous driving. Our results show that asynchronous Federated
Learning can significantly improve the prediction performance of local edge
models and reach the same accuracy level as the centralized machine learning
method. Moreover, the approach can reduce the communication overhead,
accelerate model training speed and consume real-time streaming data by
utilizing a sliding training window, which proves high efficiency when
deploying ML/DL components to heterogeneous real-world embedded systems.
- Abstract(参考訳): ML/DL分野の発展と関心の高まりにより、企業はサービス品質とユーザエクスペリエンスを向上させるためにこれらの手法を積極的に活用している。
Federated Learningは、効率的なモデルトレーニングアプローチとして導入され、時間を要するモデルのトレーニングを分散し、スピードアップし、ユーザのデータプライバシを保存する。
しかし、一般的な連合学習法は、モデルアグリゲーションを実行するために同期プロトコルを適用するが、これは柔軟性がなく、急速に進化する環境や実世界のシステムにおける異種ハードウェアの設定に適応できない。
本稿では,新しい非同期モデル集約プロトコルとリアルタイムエンドツーエンドフェデレーション学習のアプローチを提案する。
我々は,自動運転におけるハンドル角度予測に着目した自動車分野の産業利用事例におけるアプローチを検証する。
その結果,非同期フェデレーション学習は,局所エッジモデルの予測性能を大幅に向上させ,集中型機械学習法と同じ精度に到達できることがわかった。
さらに,ML/DLコンポーネントを異種実世界の組み込みシステムにデプロイする際の高効率性を示すスライディングトレーニングウィンドウを利用することで,通信オーバーヘッドを低減し,モデルトレーニング速度を高速化し,リアルタイムストリーミングデータを消費することができる。
関連論文リスト
- Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular
Federated Learning [2.7892067588273513]
本稿では,車載フェデレート学習のための計算スケジューリング協調設計であるVREM-FLを提案する。
提案アルゴリズムは、無線リソース使用のためのトレードモデルトレーニング時間に調整することができる。
VREM-FLは、線形回帰モデル(学習時間を28%削減)と、セマンティックイメージセグメンテーションタスクのためのディープニューラルネットワークの両方のベンチマークより優れている。
論文 参考訳(メタデータ) (2023-11-30T17:38:54Z) - 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) - Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。
このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。
本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
論文 参考訳(メタデータ) (2023-02-24T08:41:19Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-26T08:13:22Z) - Stochastic Coded Federated Learning: Theoretical Analysis and Incentive
Mechanism Design [18.675244280002428]
我々は、コード化されたコンピューティング技術を活用する新しいFLフレームワーク、コード付きフェデレーションラーニング(SCFL)を提案する。
SCFLでは、各エッジデバイスがプライバシを保存するコード化されたデータセットをサーバにアップロードする。
SCFLは、与えられた時間内でより良いモデルを学び、ベースライン方式よりも優れたプライバシーとパフォーマンスのトレードオフを実現する。
論文 参考訳(メタデータ) (2022-11-08T09:58:36Z) - An Efficient and Reliable Asynchronous Federated Learning Scheme for
Smart Public Transportation [24.8522516507395]
Federated Learning(FL)は、車がクラウドに生データをアップロードすることなく、継続的なモデル更新を受けられる分散機械学習スキームである。
本稿では,動的スケーリング係数(DBAFL)を備えたブロックチェーンベースの非同期フェデレーション学習方式を提案する。
異種デバイスを用いた実験は, DBAFLの学習性能, 効率, 信頼性に優れていた。
論文 参考訳(メタデータ) (2022-08-15T13:56:29Z) - 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) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-26T14:37:51Z)
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。