論文の概要: Coded Federated Learning Framework for AI-Based Mobile Application Services with Privacy-Awareness

• arxiv url: http://arxiv.org/abs/2106.09261v1
• Date: Thu, 17 Jun 2021 06:10:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 15:39:50.588902
• Title: Coded Federated Learning Framework for AI-Based Mobile Application Services with Privacy-Awareness
• Title（参考訳）: プライバシを認識したAIベースのモバイルアプリサービスのためのコード付きフェデレーション学習フレームワーク
• Authors: Yuris Mulya Saputra, Diep N. Nguyen, Dinh Thai Hoang, and Eryk Dutkiewicz
• Abstract要約: 本稿では,プライバシを意識したモバイルアプリケーションサービスのための新しいFLベースのフレームワークを提案する。 我々のフレームワークはトレーニング時間を最大49%スピードアップし、予測精度を最大4.6倍向上させることができる。
• 参考スコア（独自算出の注目度）: 21.220047516436384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: By encoding computing tasks, coded computing can not only mitigate straggling problems in federated learning (FL), but also preserve privacy of sensitive data uploaded/contributed by participating mobile users (MUs) to the centralized server, owned by a mobile application provider (MAP). However, these advantages come with extra coding cost/complexity and communication overhead (referred to as \emph{privacy cost}) that must be considered given the limited computing/communications resources at MUs/MAP, the rationality and incentive competition among MUs in contributing data to the MAP. This article proposes a novel coded FL-based framework for a privacy-aware mobile application service to address these challenges. In particular, the MAP first determines a set of the best MUs for the FL process based on MUs' provided information/features. Then, each selected MU can propose a contract to the MAP according to its expected trainable local data and privacy-protected coded data. To find the optimal contracts that can maximize utilities of the MAP and all the participating MUs while maintaining high learning quality of the whole system, we first develop a multi-principal one-agent contract-based problem leveraging coded FL-based multiple utility functions under the MUs' privacy cost, the MAP's limited computing resource, and asymmetric information between the MAP and MUs. Then, we transform the problem into an equivalent low-complexity problem and develop an iterative algorithm to solve it. Experiments with a real-world dataset show that our framework can speed up training time up to 49% and improve prediction accuracy up to 4.6 times while enhancing network's social welfare, i.e., total utility of all participating entities, up to 114% under the privacy cost consideration compared with those of baseline methods.
• Abstract（参考訳）: コンピューティングタスクをコーディングすることで、コード化されたコンピューティングは、連合学習(fl)における混乱する問題を緩和するだけでなく、モバイルユーザ(mus)がモバイルアプリケーションプロバイダ(map)が所有する集中型サーバにアップロード/配信する機密データのプライバシーを保護できる。 しかしながら、これらの利点は、MUs/MAPの限られた計算/通信資源、MAPへのデータ提供におけるMU間の合理性とインセンティブの競合を考慮する必要がある、余分なコーディングコスト/複雑さと通信オーバーヘッド("emph{privacy cost}"と呼ばれる)が伴う。 本稿では、これらの課題に対処するために、プライバシを意識したモバイルアプリケーションサービスのための新しいFLベースのフレームワークを提案する。 特に、MAPはまず、提供されたMUの情報/特徴に基づいて、FLプロセスに最適なMUのセットを決定する。 次に、選択されたMUは、トレーニング可能なローカルデータとプライバシ保護されたコードデータに基づいてMAPに契約を提案することができる。 システム全体の高い学習品質を維持しながらMAPと全てのMUのユーティリティを最大化できる最適契約を求めるために,まず,MUのプライバシコスト,MAPの限られた計算資源,MAPとMU間の非対称情報といったコード付きFLベースの複数のユーティリティ機能を活用したマルチプリンシパル・ワンエージェント契約ベースの問題を開発する。 そして,この問題を等価な低複雑度問題に変換し,それを解決する反復アルゴリズムを開発する。 実世界のデータセットを用いた実験では、ネットワークの社会的福祉、すなわち、参加するすべてのエンティティのトータルユーティリティを、ベースラインメソッドと比較して、プライバシコストを考慮した最大114%向上させながら、トレーニング時間を49%まで短縮し、予測精度を4.6倍まで向上できることが示されています。

関連論文リスト

• What Makes Good Collaborative Views? Contrastive Mutual Information Maximization for Multi-Agent Perception [52.41695608928129]
  マルチエージェント認識(MAP)は、複数のソースからのデータを解釈することで、自律システムが複雑な環境を理解することを可能にする。 本稿では,MAPにおける協調的視点の「良い」特性を探求することに焦点を当てた中間的協調について検討する。 中間コラボレーションのための新しいフレームワークCMiMCを提案する。
  論文  参考訳（メタデータ） (2024-03-15T07:18:55Z)
• An Incentive Mechanism for Federated Learning Based on Multiple Resource Exchange [5.385462087305977]
  Federated Learning(FL)は、機械学習におけるプライバシー問題に対処する分散機械学習パラダイムである。 ユーザをモデルオーナ(MO)とデータオーナ(DO)の2つの役割に分類する。 提案した協調計算フレームワークは、FLタスクの完了までの全体の時間を最小化しつつ、95%以上の精度を達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-13T12:28:37Z)
• Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
  本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。 マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
  論文  参考訳（メタデータ） (2023-10-04T20:27:20Z)
• Decentralized Online Learning in Task Assignment Games for Mobile Crowdsensing [55.07662765269297]
  モバイルクラウドセンシングプラットフォーム(MCSP)は、センサオファーをMCSPに送り返してタスクに参加する意思を示すための、利用可能なモバイルユニット(MU)に順次、センシングタスクを発行する。 安定したタスク割り当ては、MCSPとMUの相反する目標、およびMUの要求する努力と嗜好の不確実性という2つの課題に対処する必要がある。 これらの課題を克服するために,衝突回避型マルチアームバンディットと戦略的自由センシング(CA-MAB-SFS)という,マッチング理論とオンライン学習を組み合わせた新たな分散アプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T13:07:15Z)
• Multi-Tier Client Selection for Mobile Federated Learning Networks [13.809694368802827]
  本稿では、コストを最小化し、高品質なFLモデルを訓練するために、SocFedCS (Underated UnderlineClient UnderlineSelection) アプローチを提案する。 SocFedCSは、データ所有者がローカルな信頼ネットワークを通じてFLタスク情報を伝達できるようにすることで、候補FLクライアントプールを豊かにする。
  論文  参考訳（メタデータ） (2023-05-11T15:06:08Z)
• Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM [62.62684911017472]
  フェデレートラーニング(FL)により、デバイスは共有モデルを共同でトレーニングし、トレーニングデータをプライバシ目的でローカルに保つことができる。 マルチヘッド(VIM)を備えたVFLフレームワークを導入し、各クライアントの別々のコントリビューションを考慮に入れます。 VIMは最先端技術に比べて性能が著しく向上し、収束が速い。
  論文  参考訳（メタデータ） (2022-07-20T23:14:33Z)
• Better Methods and Theory for Federated Learning: Compression, Client Selection and Heterogeneity [0.0]
  フェデレートラーニング(Federated Learning, FL)は、携帯電話デバイスなど複数のクライアントが関与する機械学習パラダイムである。 本稿では,これらの課題のいくつかを特定し,数学的に厳密な保証によって支援された実用的FLソリューションの実現を究極の目標とする新しい手法とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-01T12:55:09Z)
• Blockchain and Federated Edge Learning for Privacy-Preserving Mobile Crowdsensing [9.256032232316695]
  大規模な作業者の移動性を考慮したモバイルクラウドセンシング(MCS)は、要求者が様々なセンシングタスクを遂行するのに役立つ。 本稿では,ブロックチェーン技術を活用した新しいMCS学習フレームワークと,フェデレート学習に基づくエッジインテリジェンスの概念を提案する。
  論文  参考訳（メタデータ） (2021-10-16T22:04:00Z)
• Information Freshness-Aware Task Offloading in Air-Ground Integrated Edge Computing Systems [49.80033982995667]
  本稿では,空域統合マルチアクセスエッジコンピューティングシステムにおける情報更新性を考慮したタスクオフロードの問題について検討する。 サードパーティのリアルタイムアプリケーションサービスプロバイダは、InPからの限られた通信と計算リソースで、加入したモバイルユーザ(MU)にコンピューティングサービスを提供する。 本稿では,各MUに2つの個別の深度Q-networksを適用し,Q-factorと後Q-factorを近似する新しい深度強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-15T21:32:43Z)
• Multi-Armed Bandit Based Client Scheduling for Federated Learning [91.91224642616882]
  統合学習(FL)は、通信オーバーヘッドの低減やデータのプライバシの保護など、ユビキタスな特性を特徴とする。 FLの各通信ラウンドでは、クライアントは自身のデータに基づいてローカルモデルを更新し、無線チャネル経由でローカル更新をアップロードする。 本研究は、無線チャネルの状態情報やクライアントの統計的特性を知ることなく、FLにおけるオンラインクライアントスケジューリング(CS)のためのマルチアームバンディットベースのフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-07-05T12:32:32Z)

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。