論文の概要: Distributed Learning in Wireless Networks: Recent Progress and Future Challenges

• arxiv url: http://arxiv.org/abs/2104.02151v1
• Date: Mon, 5 Apr 2021 20:57:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 13:50:38.011708
• Title: Distributed Learning in Wireless Networks: Recent Progress and Future Challenges
• Title（参考訳）: 無線ネットワークにおける分散学習の現状と課題
• Authors: Mingzhe Chen, Deniz G\"und\"uz, Kaibin Huang, Walid Saad, Mehdi Bennis, Aneta Vulgarakis Feljan, and H. Vincent Poor
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 170.35951727508225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The next-generation of wireless networks will enable many machine learning (ML) tools and applications to efficiently analyze various types of data collected by edge devices for inference, autonomy, and decision making purposes. However, due to resource constraints, delay limitations, and privacy challenges, edge devices cannot offload their entire collected datasets to a cloud server for centrally training their ML models or inference purposes. To overcome these challenges, distributed learning and inference techniques have been proposed as a means to enable edge devices to collaboratively train ML models without raw data exchanges, thus reducing the communication overhead and latency as well as improving data privacy. However, deploying distributed learning over wireless networks faces several challenges including the uncertain wireless environment, limited wireless resources (e.g., transmit power and radio spectrum), and hardware resources. This paper provides a comprehensive study of how distributed learning can be efficiently and effectively deployed over wireless edge networks. We present a detailed overview of several emerging distributed learning paradigms, including federated learning, federated distillation, distributed inference, and multi-agent reinforcement learning. For each learning framework, we first introduce the motivation for deploying it over wireless networks. Then, we present a detailed literature review on the use of communication techniques for its efficient deployment. We then introduce an illustrative example to show how to optimize wireless networks to improve its performance. Finally, we introduce future research opportunities. In a nutshell, this paper provides a holistic set of guidelines on how to deploy a broad range of distributed learning frameworks over real-world wireless communication networks.
• Abstract（参考訳）: 次世代のワイヤレスネットワークは、多くの機械学習ツールやアプリケーションが、推論、自律性、意思決定のためにエッジデバイスが収集したさまざまな種類のデータを効率的に分析できるようにする。 しかしながら、リソースの制約、遅延の制限、プライバシの課題により、エッジデバイスは、収集したデータセット全体をクラウドサーバにオフロードして、MLモデルや推論の目的を集中的にトレーニングすることはできない。 これらの課題を克服するために、エッジデバイスが生のデータ交換なしで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。 しかしながら、無線ネットワーク上での分散学習の展開には、不確定な無線環境、限られた無線リソース(例えば、電力と無線スペクトル)、ハードウェアリソースなど、いくつかの課題がある。 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。 本稿では,フェデレーション学習,フェデレーション蒸留,分散推論,マルチエージェント強化学習など,新たな分散学習パラダイムの詳細な概要を紹介する。 各学習フレームワークについて,まず無線ネットワーク上に展開する動機を紹介する。 そこで我々は,その効率的な展開にコミュニケーション技術を用いることについて,詳細な文献レビューを行う。 次に,その性能向上のために無線ネットワークを最適化する方法を示す例を示す。 最後に,今後の研究機会を紹介する。 一言で言えば,本論文は,現実世界の無線通信ネットワーク上で広範囲にわたる分散学習フレームワークをデプロイする方法について,包括的なガイドラインを提供する。

関連論文リスト

• Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
  効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。 本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
  論文  参考訳（メタデータ） (2023-10-08T08:55:03Z)
• Revolutionizing Wireless Networks with Federated Learning: A Comprehensive Review [0.0]
  本稿では,無線通信における機械学習の重要性について論じる。 これは、フェデレートラーニング(FL)を、将来のモバイルネットワーク、特に6Gなどにおいて重要な役割を果たす新しいアプローチとして強調している。
  論文  参考訳（メタデータ） (2023-08-01T22:32:10Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• In-Network Learning: Distributed Training and Inference in Networks [10.635097939284753]
  我々は,複数のデータストリームと処理ユニットを利用する学習アルゴリズムとアーキテクチャを開発する。 特に、この分析は、推論がネットワークをまたいでどのように伝播し、融合するかを明らかにする。
  論文  参考訳（メタデータ） (2021-07-07T18:35:08Z)
• Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
  本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。 まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。 次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-15T14:19:55Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。