論文の概要: Resource Rationing for Wireless Federated Learning: Concept, Benefits,
and Challenges
- arxiv url: http://arxiv.org/abs/2104.06990v1
- Date: Wed, 14 Apr 2021 17:16:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-15 13:03:29.605644
- Title: Resource Rationing for Wireless Federated Learning: Concept, Benefits,
and Challenges
- Title(参考訳): 無線フェデレーション学習のための資源配分:概念,利益,課題
- Authors: Cong Shen, Jie Xu, Sihui Zheng, Xiang Chen
- Abstract要約: 我々は、無線連合学習(FL)のための新たな資源割当フレームワークを提唱する。
flのための既存のリソース割当方法とは異なり、リソース割当ては学習ラウンド間のリソースのバランスにフォーカスする。
この新しいフレームワークは、flの収束を最適化するために既存のリソース割り当てスキームとシームレスに統合することができる。
- 参考スコア(独自算出の注目度): 23.49563400899498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We advocate a new resource allocation framework, which we term resource
rationing, for wireless federated learning (FL). Unlike existing resource
allocation methods for FL, resource rationing focuses on balancing resources
across learning rounds so that their collective impact on the federated
learning performance is explicitly captured. This new framework can be
integrated seamlessly with existing resource allocation schemes to optimize the
convergence of FL. In particular, a novel "later-is-better" principle is at the
front and center of resource rationing, which is validated empirically in
several instances of wireless FL. We also point out technical challenges and
research opportunities that are worth pursuing. Resource rationing highlights
the benefits of treating the emerging FL as a new class of service that has its
own characteristics, and designing communication algorithms for this particular
service.
- Abstract(参考訳): 我々は、無線連合学習(FL)のための新たな資源割当フレームワークを提唱する。
FLの既存のリソース割当手法とは異なり、リソース割当は学習ラウンド間のリソースのバランスに重点を置いており、これらが連合学習性能に与える影響を明示的に把握している。
この新しいフレームワークは、flの収束を最適化するために既存のリソース割り当てスキームとシームレスに統合することができる。
特に、新しい"later-is-better"原理は、無線flのいくつかの例で実証的に検証されるリソース配給の前面と中心にある。
また、追求に値する技術的課題や研究機会も指摘します。
リソース設定は、新たなFLを独自の特徴を持つ新しいタイプのサービスとして扱うことのメリットを強調し、特定のサービスのための通信アルゴリズムを設計する。
関連論文リスト
- Federated Learning with New Knowledge: Fundamentals, Advances, and
Futures [69.8830772538421]
本稿では,フェデレートラーニング(FL)における新しい知識の源泉を体系的に定義する。
本研究は,新たな知識の到来時期と形態が定式化過程に及ぼす影響について検討する。
シナリオの設定,効率,セキュリティなど,さまざまな要因を考慮し,FLの今後の方向性を新たな知識で論じる。
論文 参考訳(メタデータ) (2024-02-03T21:29:31Z) - The Role of Federated Learning in a Wireless World with Foundation
Models [59.8129893837421]
ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。
現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。
本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
論文 参考訳(メタデータ) (2023-10-06T04:13:10Z) - Bridging the Gap Between Foundation Models and Heterogeneous Federated
Learning [9.198799314774437]
Federated Learning(FL)は、プライバシ保護による分散機械学習を提供し、プライベートデータを共有せずにエッジクライアントのモデルを最適化する。
ファンデーションモデル(FM)は、人工知能(AI)コミュニティにおいて、様々なタスクにまたがる例外的なパフォーマンスのために、注目を集めている。
本稿では、これらの課題に対処するため、リソース対応フェデレーション・ファンデーション・モデル(RaFFM)の適応フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-30T04:31:53Z) - Joint Age-based Client Selection and Resource Allocation for
Communication-Efficient Federated Learning over NOMA Networks [8.030674576024952]
FL(Federated Learning)では、分散クライアントは、自身のトレーニングデータをローカルに保持しながら、共有グローバルモデルを共同でトレーニングすることができる。
本稿では,非直交多重アクセス(NOMA)を利用した無線ネットワーク上でのFLにおける各ラウンドの総時間消費を最小化することを目的とした,クライアント選択とリソース割り当ての協調最適化問題を定式化する。
さらに、各ラウンドで選択されていないクライアントのFLモデルを予測し、FL性能をさらに向上するために、サーバサイド人工知能ニューラルネットワーク(ANN)を提案する。
論文 参考訳(メタデータ) (2023-04-18T13:58:16Z) - Resource-Efficient Federated Learning [3.654036881216688]
フェデレートラーニング(FL)は、ローカルデータを用いた学習者による分散トレーニングを可能にする。
データ配布、デバイス機能、大規模デプロイメントとしての参加者の可用性に関する多くの課題を提示している。
論文 参考訳(メタデータ) (2021-11-01T17:21:07Z) - 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) - Unsupervised Resource Allocation with Graph Neural Networks [0.0]
本研究では,教師なしの方法で資源の配分方法を学ぶことによって,グローバルなユーティリティ関数を最大化する手法を提案する。
我々は,GNNを用いて最適に近いアロケーションポリシーの報酬構造を学習することを提案する。
論文 参考訳(メタデータ) (2021-06-17T18:44:04Z) - Toward Multiple Federated Learning Services Resource Sharing in Mobile
Edge Networks [88.15736037284408]
本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。
共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。
シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
論文 参考訳(メタデータ) (2020-11-25T01:29:41Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-27T17:38:51Z) - Universal Source-Free Domain Adaptation [57.37520645827318]
ドメイン適応のための新しい2段階学習プロセスを提案する。
Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。
Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
論文 参考訳(メタデータ) (2020-04-09T07:26:20Z)
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。