論文の概要: Serverless Federated Learning for UAV Networks: Architecture, Challenges, and Opportunities

• arxiv url: http://arxiv.org/abs/2104.07557v1
• Date: Thu, 15 Apr 2021 16:11:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 19:13:57.013818
• Title: Serverless Federated Learning for UAV Networks: Architecture, Challenges, and Opportunities
• Title（参考訳）: uavネットワークのためのサーバレス連合学習 - アーキテクチャ,課題,機会
• Authors: Yuben Qu, Haipeng Dai, Yan Zhuang, Jiafa Chen, Chao Dong, Fan Wu, Song Guo
• Abstract要約: 無人航空機(UAV)は、民間および軍事分野の次世代無線ネットワークにおける広範なアプリケーションをサポートすることを想定しています。 本稿では,中央エンティティを持たないUAVネットワーク内でFLを実現する,SELF-UNという新しいアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 27.366598254560994
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Unmanned aerial vehicles (UAVs), or say drones, are envisioned to support extensive applications in next-generation wireless networks in both civil and military fields. Empowering UAVs networks intelligence by artificial intelligence (AI) especially machine learning (ML) techniques is inevitable and appealing to enable the aforementioned applications. To solve the problems of traditional cloud-centric ML for UAV networks such as privacy concern, unacceptable latency, and resource burden, a distributed ML technique, i.e., federated learning (FL), has been recently proposed to enable multiple UAVs to collaboratively train ML model without letting out raw data. However, almost all existing FL paradigms are server-based, i.e., a central entity is in charge of ML model aggregation and fusion over the whole network, which could result in the issue of a single point of failure and are inappropriate to UAV networks with both unreliable nodes and links. To address the above issue, in this article, we propose a novel architecture called SELF-UN (\underline{SE}rver\underline{L}ess \underline{F}L for \underline{U}AV \underline{N}etworks), which enables FL within UAV networks without a central entity. We also conduct a preliminary simulation study to validate the feasibility and effectiveness of the SELF-UN architecture. Finally, we discuss the main challenges and potential research directions in the SELF-UN.
• Abstract（参考訳）: 無人航空機(UAV)、すなわちドローンは、民間と軍事の両方の分野における次世代無線ネットワークの広範な応用を支援するために計画されている。 人工知能(AI)、特に機械学習(ML)技術によるUAVネットワークインテリジェンスの強化は、前述のアプリケーションを実現するために必然的かつ魅力的である。 プライバシの懸念や受け入れられないレイテンシ,リソースの負担といった,UAVネットワークにおける従来のクラウド中心のMLの問題を解決するため,複数のUAVが生データを排除せずにMLモデルを協調的にトレーニングできる分散型ML技術(FL)が最近提案されている。 しかしながら、既存のflパラダイムのほとんどすべてがサーバベースであり、中央のエンティティがネットワーク全体のmlモデル集約と融合を担当しているため、単一障害点の問題が発生し、信頼性の低いノードとリンクの両方を持つuavネットワークには不適切である。 上記の問題に対処するため、本論文では、中央のエンティティを持たないUAVネットワーク内でFLを可能にするSELF-UN(\underline{SE}rver\underline{L}ess \underline{F}L for \underline{U}AV \underline{N}etworks)という新しいアーキテクチャを提案する。 また,自己統一アーキテクチャの実現可能性と有効性を検証するための予備シミュレーションを行った。 最後に,SELF-UNの主な課題と今後の研究方向性について論じる。

関連論文リスト

• Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
  無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。 本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:14:13Z)
• 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)
• Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization [16.265792031520945]
  フェデレートラーニング(FL)には、ローカルデータを転送することなく、共有モデルを協調的にトレーニングする複数のデバイスが含まれる。 FLは通信のオーバーヘッドを減らし、エネルギー資源の少ないUAV強化無線ネットワークにおいて有望な学習方法となる。 この可能性にもかかわらず、UAVに強化されたネットワークにFLを実装することは困難であり、カバー範囲を最大化する従来のUAV配置手法はFL遅延を増大させる。
  論文  参考訳（メタデータ） (2023-08-31T17:50:54Z)
• Towards Cooperative Federated Learning over Heterogeneous Edge/Fog Networks [49.19502459827366]
  フェデレートラーニング(FL)は、エッジ/フォグネットワーク上で機械学習(ML)モデルをトレーニングするための一般的なテクニックとして推奨されている。 FLの従来の実装は、ネットワーク間協力の可能性を大きく無視してきた。 我々は,デバイス・ツー・デバイス(D2D)とデバイス・ツー・サーバ(D2S)インタラクションに基づいて構築された協調的エッジ/フォグMLパラダイムである協調的連合学習(CFL)を提唱する。
  論文  参考訳（メタデータ） (2023-03-15T04:41:36Z)
• Distributed Machine Learning for UAV Swarms: Computing, Sensing, and Semantics [31.921859542234998]
  分散学習(DL)により、UAVの群れは、通信サービス、多方向リモート監視、ターゲット追跡をインテリジェントに提供できる。 まず、フェデレートラーニング(FL)、マルチエージェント強化ラーニング(MARL)、分散推論、分割ラーニングなどの一般的なDLアルゴリズムを紹介する。 次に,無線通信システムにおけるUAVスワムの最先端の応用として,再構成可能なインテリジェントサーフェス(RIS),仮想現実(VR),セマンティックコミュニケーションなどを紹介し,DL対応のUAVスワムがこれらのアプリケーションで解決できる問題と課題について議論する。
  論文  参考訳（メタデータ） (2023-01-03T01:05:18Z)
• UAV-assisted Online Machine Learning over Multi-Tiered Networks: A Hierarchical Nested Personalized Federated Learning Approach [25.936914508952086]
  地理的分散デバイスクラスタのための無人航空機(UAV)による分散機械学習(ML)を検討する。 i)リーダー,ワーカー,コーディネータによるUAVスワーミング,(ii)階層型ネスト型パーソナライズド・フェデレーション・ラーニング(HN-PFL),(iii)UAVのローカル計算機能を用いた分散MLのための協調的UAVリソースプール,の5つの新しい技術/技術を提案する。
  論文  参考訳（メタデータ） (2021-06-29T21:40:28Z)
• Artificial Intelligence for UAV-enabled Wireless Networks: A Survey [72.10851256475742]
  無人航空機(UAV)は次世代無線通信ネットワークにおいて有望な技術であると考えられている。 人工知能(AI)は近年急速に成長し、成功している。 UAVベースのネットワークにおけるAIの潜在的な応用について概観する。
  論文  参考訳（メタデータ） (2020-09-24T07:11:31Z)
• 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)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。