論文の概要: Wireless Federated Learning (WFL) for 6G Networks -- Part II: The
Compute-then-Transmit NOMA Paradigm
- arxiv url: http://arxiv.org/abs/2104.12005v1
- Date: Sat, 24 Apr 2021 19:14:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-28 12:37:46.477798
- Title: Wireless Federated Learning (WFL) for 6G Networks -- Part II: The
Compute-then-Transmit NOMA Paradigm
- Title（参考訳）: 6gネットワークのための無線フェデレーション学習(wfl) --その2:計算・変換ノマパラダイム
- Authors: Pavlos S. Bouzinis, Panagiotis D. Diamantoulakis, George K.
Karagiannidis
- Abstract要約: 我々は,無線フェデレートラーニング(WFL)ネットワークのための新しい通信プロトコルを導入し,最適化する。
Compute-then-Transmit NOMA (CT-NOMA)プロトコルが導入され、ユーザーはローカルモデルトレーニングを同時に終了し、トレーニングされたパラメータを中央サーバに同時に送信する。
NOMAにおけるユーザ間干渉の緩和のための2つの異なる検出スキームを検討し、固定および可変復号順序に対応する評価する。
- 参考スコア（独自算出の注目度）: 43.273644277347465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As it has been discussed in the first part of this work, the utilization of
advanced multiple access protocols and the joint optimization of the
communication and computing resources can facilitate the reduction of delay for
wireless federated learning (WFL), which is of paramount importance for the
efficient integration of WFL in the sixth generation of wireless networks (6G).
To this end, in this second part we introduce and optimize a novel
communication protocol for WFL networks, that is based on non-orthogonal
multiple access (NOMA). More specifically, the Compute-then-Transmit NOMA
(CT-NOMA) protocol is introduced, where users terminate concurrently the local
model training and then simultaneously transmit the trained parameters to the
central server. Moreover, two different detection schemes for the mitigation of
inter-user interference in NOMA are considered and evaluated, which correspond
to fixed and variable decoding order during the successive interference
cancellation process. Furthermore, the computation and communication resources
are jointly optimized for both considered schemes, with the aim to minimize the
total delay during a WFL communication round. Finally, the simulation results
verify the effectiveness of CT-NOMA in terms of delay reduction, compared to
the considered benchmark that is based on time-division multiple access.
- Abstract（参考訳）: 本研究の前半で論じられているように、先進的な多重アクセスプロトコルの利用と通信資源と計算機資源の協調最適化は、第6世代無線ネットワーク(6G)におけるWFLの効率的な統合において最重要となる無線連合学習(WFL)の遅延の低減を促進することができる。
この目的のために,第2部では,非直交多重アクセス(noma)に基づくwflネットワークのための新しい通信プロトコルを導入し,最適化する。
より具体的には、CT-NOMA(Compute-then-Transmit NOMA)プロトコルが導入され、ユーザーはローカルモデルトレーニングを同時に終了し、トレーニングされたパラメータを中央サーバに同時に送信する。
さらに、NOMAにおけるユーザ間干渉の緩和のための2つの異なる検出手法を検討、評価し、連続した干渉キャンセル過程における固定および可変復号順序に対応する。
さらに,WFL通信ラウンドにおける全体の遅延を最小化することを目的として,両方式の計算と通信資源を協調的に最適化する。
最後に,ct-nomaの有効性を時間分割多重アクセスに基づくベンチマークと比較し,遅延低減の観点から検証した。
関連論文リスト
- High Efficiency Inference Accelerating Algorithm for NOMA-based Mobile
Edge Computing [23.88527790721402]
デバイス、エッジサーバ、クラウド間の推論モデルを分割することで、EIの性能を大幅に向上させることができる。
B5G/6Gのキーとなる技術であるNOMAは、膨大な接続と高スペクトル効率を実現することができる。
本稿では,エッジでのモデル推論を高速化する効果的な通信資源割当アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-26T02:05:52Z) - Wirelessly Powered Federated Learning Networks: Joint Power Transfer,
Data Sensing, Model Training, and Resource Allocation [24.077525032187893]
フェデレートラーニング(FL)は、無線ネットワークで多くの成功を収めている。
FLの実装は、モバイルデバイス(MD)のエネルギー制限と、MDにおけるトレーニングデータの可用性によって妨げられている。
無線送電と持続可能なFLネットワークの統合
論文 参考訳（メタデータ） (2023-08-09T13:38:58Z) - Performance Optimization for Variable Bitwidth Federated Learning in
Wireless Networks [103.22651843174471]
本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。
提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。
FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
論文 参考訳（メタデータ） (2022-09-21T08:52:51Z) - Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated
Split Learning [56.125720497163684]
無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。
ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
論文 参考訳（メタデータ） (2022-09-02T10:29:56Z) - Completion Time Minimization of Fog-RAN-Assisted Federated Learning With
Rate-Splitting Transmission [21.397106355171946]
本研究は,複数のIoTデバイスが分散アクセスポイント(AP)を介してクラウドサーバ(CS)と通信することで,共有機械学習モデルを協調的に学習するフォグラジオアクセスネットワーク上でのフェデレーション学習を研究する。
APとCSを接続するフロントハウルリンクの容量が有限であると仮定して、分割アップリンクメッセージのハイブリッドエッジとクラウドデコードを可能にするIoTデバイス(ID)におけるレートスプリット伝送を提案する。
数値計算の結果,提案手法はエッジやクラウドデコーディングのみに依存するベンチマーク方式よりも顕著な利得が得られることがわかった。
論文 参考訳（メタデータ） (2022-06-03T02:53:19Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Over-the-Air Federated Learning via Second-Order Optimization [37.594140209854906]
フェデレートラーニング(FL)は、無線ネットワーク上でのタスク指向のデータトラフィックを、限られた無線リソースによって引き起こす可能性がある。
本稿では,通信ラウンドを同時に削減し,低レイテンシなグローバルモデルアグリゲーションを実現するために,空対2次フェデレーション最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-29T12:39:23Z) - 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)
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。