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

• A Comprehensive Survey on Joint Resource Allocation Strategies in Federated Edge Learning [9.806901443019008]
  Federated Edge Learning (FEL)は、分散環境でのモデルトレーニングを可能にすると同時に、ユーザデータの物理的分離を利用することで、ユーザのプライバシを確保する。 IoT(Internet of Things)やSmart Earthといった複雑なアプリケーションシナリオの開発により、従来のリソース割り当てスキームは、これらの増大する計算および通信要求を効果的にサポートすることができなくなった。 本稿では,複数の資源需要が増大する中で,計算と通信の多面的課題を体系的に解決する。
  論文  参考訳（メタデータ） (2024-10-10T13:02:00Z)
• Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning [9.451084740123198]
  フェデレートラーニング(FL)は、エッジデバイスが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。 しかし、電力、帯域幅などの制約のあるリソースを持つモバイルエッジネットワーク上にFLをデプロイすることは、高いトレーニングレイテンシと低いモデルの精度に悩まされる。 本稿では,資源制約と不確実性の下で,モバイルエッジネットワーク上でのFLの最適なクライアントスケジューリングとリソース割り当てについて検討する。
  論文  参考訳（メタデータ） (2024-09-29T01:56:45Z)
• A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
  Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
  論文  参考訳（メタデータ） (2024-09-18T14:57:13Z)
• Advances in APPFL: A Comprehensive and Extensible Federated Learning Framework [1.4206132527980742]
  Federated Learning(FL)は、データプライバシを保持しながら協調的なモデルトレーニングを可能にする分散機械学習パラダイムである。 本稿では,統合学習のためのフレームワークおよびベンチマークスイートであるAPPFLの開発における最近の進歩について述べる。 本稿では, 通信効率, プライバシー保護, 計算性能, 資源利用など, FLの様々な側面を評価する広範な実験を通じて, APPFLの能力を実証する。
  論文  参考訳（メタデータ） (2024-09-17T22:20:26Z)
• A Resource-Adaptive Approach for Federated Learning under Resource-Constrained Environments [22.038826059430242]
  本稿では,不均一な制約リソースを持つ複数のクライアントを対象とする,基礎的連合学習(FL)問題について検討する。 資源適応型非同期フェデレーション学習アルゴリズムであるFed-RAAを提案する。
  論文  参考訳（メタデータ） (2024-06-19T08:55:40Z)
• 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)
• 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)
• 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。