論文の概要: Multi-resource allocation for federated settings: A non-homogeneous
Markov chain model
- arxiv url: http://arxiv.org/abs/2104.12828v1
- Date: Mon, 26 Apr 2021 19:10:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 02:13:00.157278
- Title: Multi-resource allocation for federated settings: A non-homogeneous
Markov chain model
- Title（参考訳）: フェデレーション設定におけるマルチリソース割り当て:非均質マルコフ連鎖モデル
- Authors: Syed Eqbal Alam and Fabian Wirth and Jia Yuan Yu
- Abstract要約: 連合設定において、エージェントは中央エージェントまたはサーバと協調し、エージェントが互いに情報を共有しない最適化問題を解決する。
本稿では,アジェント間通信のない単一共有リソースのフェデレーション設定における最適化問題のクラスを解決するために,AIMDアルゴリズムを簡単な方法で変更する方法について述べる。
シングルリソースのアルゴリズムを、スマートシティや共有エコノミー、その他多くのアプリケーションに出現する複数の異種共有リソースに拡張する。
- 参考スコア（独自算出の注目度）: 2.552459629685159
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In a federated setting, agents coordinate with a central agent or a server to
solve an optimization problem in which agents do not share their information
with each other. Wirth and his co-authors, in a recent paper, describe how the
basic additive-increase multiplicative-decrease (AIMD) algorithm can be
modified in a straightforward manner to solve a class of optimization problems
for federated settings for a single shared resource with no inter-agent
communication. The AIMD algorithm is one of the most successful distributed
resource allocation algorithms currently deployed in practice. It is best known
as the backbone of the Internet and is also widely explored in other
application areas. We extend the single-resource algorithm to multiple
heterogeneous shared resources that emerge in smart cities, sharing economy,
and many other applications. Our main results show the convergence of the
average allocations to the optimal values. We model the system as a
non-homogeneous Markov chain with place-dependent probabilities. Furthermore,
simulation results are presented to demonstrate the efficacy of the algorithms
and to highlight the main features of our analysis.
- Abstract（参考訳）: 連合設定において、エージェントは中央エージェントまたはサーバと協調し、エージェントが互いに情報を共有しない最適化問題を解決する。
Wirth氏と彼の共著者は、最近の論文で、エージェント間通信のない単一の共有リソースのフェデレーション設定に対する最適化問題のクラスを解決するために、基本的な加法・増分乗数分解(AIMD)アルゴリズムをいかに簡単に修正できるかを説明している。
AIMDアルゴリズムは、現在実際にデプロイされている最も成功した分散リソース割り当てアルゴリズムの1つである。
インターネットのバックボーンとしてよく知られ、他のアプリケーション領域でも広く研究されている。
シングルリソースのアルゴリズムを、スマートシティや共有エコノミー、その他多くのアプリケーションに出現する複数の異種共有リソースに拡張する。
本研究の主な成果は,最適値に対する平均アロケーションの収束性を示す。
位置依存確率を持つ非同次マルコフ連鎖としてシステムをモデル化する。
さらに,アルゴリズムの有効性を実証し,解析の主な特徴を明らかにするためにシミュレーション結果を示す。
関連論文リスト
- Multi-source domain adaptation for regression [2.8648412780872845]
マルチソースドメイン適応(DA)は、複数のソースドメインからの情報を活用して、ターゲットドメインで予測することを目的としている。
我々は、結果の粗大化による分類のための柔軟な単一ソースDAアルゴリズムを拡張し、回帰問題への適用を可能にする。
次に、アンサンブル学習による回帰のための単一ソースDAアルゴリズムを拡張し、マルチソースDAを実現する。
論文 参考訳（メタデータ） (2023-12-09T04:09:37Z) - Serverless Federated AUPRC Optimization for Multi-Party Collaborative
Imbalanced Data Mining [119.89373423433804]
有効指標としてAUPRC(Area Under Precision-Recall)を導入した。
サーバーレスのマルチパーティ共同トレーニングは、サーバーノードのボトルネックを避けることで通信コストを削減できる。
本稿では,AUPRCを直接最適化する ServerLess biAsed sTochastic gradiEnt (SLATE) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-08-06T06:51:32Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - Resource-Aware Distributed Submodular Maximization: A Paradigm for
Multi-Robot Decision-Making [3.5788754401889022]
Resource-Aware Distributed Greedyは、各ロボットのオンボードリソースを独立して考慮した最初のアルゴリズムである。
RAGは、中央集権化のトレードオフを、グローバルな準最適性、分散化、ほぼ最小のオンボード計算、通信、メモリリソースのトレードオフとバランス付けます。
論文 参考訳（メタデータ） (2022-04-15T15:47:05Z) - Resource-constrained Federated Edge Learning with Heterogeneous Data:
Formulation and Analysis [8.863089484787835]
ヘテロジニアスデータによる不均一な統計的課題を解決するために, 分散されたニュートン型ニュートン型トレーニングスキームであるFedOVAを提案する。
FedOVAはマルチクラス分類問題をより単純なバイナリ分類問題に分解し、アンサンブル学習を用いてそれぞれの出力を結合する。
論文 参考訳（メタデータ） (2021-10-14T17:35:24Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Resource allocation in dynamic multiagent systems [0.0]
MG-RAOアルゴリズムは,マルチエージェントシステムにおける資源配分問題を解決するために開発された。
シミュレーション環境における固定リソース割り当てに対する23～28%の改善を示す。
また、揮発性システムでは、mg-raoアルゴリズムを用いて、子エージェントがすべてのエージェントのリソース割り当てをモデル化するように構成されているため、複数のエージェント群をモデル化するときのパフォーマンスは46.5%である。
論文 参考訳（メタデータ） (2021-02-16T17:56:23Z) - 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) - A Multi-Agent Primal-Dual Strategy for Composite Optimization over
Distributed Features [52.856801164425086]
目的関数を滑らかな局所関数と凸(おそらく非滑らか)結合関数の和とするマルチエージェント共有最適化問題について検討する。
論文 参考訳（メタデータ） (2020-06-15T19:40:24Z) - F2A2: Flexible Fully-decentralized Approximate Actor-critic for
Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。
本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。
当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文 参考訳（メタデータ） (2020-04-17T14:56:29Z)
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。