論文の概要: Management of Resource at the Network Edge for Federated Learning
- arxiv url: http://arxiv.org/abs/2107.03428v1
- Date: Wed, 7 Jul 2021 18:22:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:23:14.292992
- Title: Management of Resource at the Network Edge for Federated Learning
- Title（参考訳）: 連合学習のためのネットワークエッジにおける資源管理
- Authors: Silvana Trindade, Luiz F. Bittencourt, Nelson L. S. da Fonseca
- Abstract要約: エッジでのトレーニングのための有望なソリューションとして、フェデレートラーニングが検討されている。
本稿では, エッジにおける資源管理に関する最近の取り組みについて述べるとともに, 課題と今後の方向性について考察する。
リソースの発見、デプロイメント、ロードバランシング、マイグレーション、エネルギー効率といった、この管理の問題について議論する。
- 参考スコア（独自算出の注目度）: 5.723697351415206
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Federated learning has been explored as a promising solution for training at
the edge, where end devices collaborate to train models without sharing data
with other entities. Since the execution of these learning models occurs at the
edge, where resources are limited, new solutions must be developed. In this
paper, we describe the recent work on resource management at the edge, and
explore the challenges and future directions to allow the execution of
federated learning at the edge. Some of the problems of this management, such
as discovery of resources, deployment, load balancing, migration, and energy
efficiency will be discussed in the paper.
- Abstract（参考訳）: フェデレーション学習は、エッジでのトレーニングのための有望なソリューションとして検討され、エンドデバイスが他のエンティティとデータを共有せずにモデルをトレーニングする。
これらの学習モデルの実行はリソースが限られているエッジで行われるため、新しいソリューションを開発する必要がある。
本稿では,エッジにおける資源管理に関する最近の研究について述べるとともに,エッジにおける連合学習の実行を可能にするための課題と今後の方向性について述べる。
本稿では、リソースの発見、デプロイメント、ロードバランシング、マイグレーション、エネルギー効率など、この管理のいくつかの問題について論じる。
関連論文リスト
- Resource Allocation and Workload Scheduling for Large-Scale Distributed Deep Learning: A Survey [48.06362354403557]
本調査は,大規模分散DLの効率的な資源配分とワークロードスケジューリング戦略について,主に2019年から2024年までの文献を概説する。
トピックごとに重要な課題を強調し、既存の技術に関する重要な洞察について議論する。
この調査は、コンピュータ科学、人工知能、通信研究者が最近の進歩を理解することを奨励することを目的としている。
論文 参考訳（メタデータ） (2024-06-12T11:51:44Z) - From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。
本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。
本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
論文 参考訳（メタデータ） (2021-04-29T14:15:11Z) - Resource Rationing for Wireless Federated Learning: Concept, Benefits,
and Challenges [23.49563400899498]
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。
論文 参考訳（メタデータ） (2021-04-14T17:16:33Z) - Distributed Learning in Wireless Networks: Recent Progress and Future
Challenges [170.35951727508225]
次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。
エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。
本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
論文 参考訳（メタデータ） (2021-04-05T20:57:56Z) - 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) - Delta Schema Network in Model-based Reinforcement Learning [125.99533416395765]
この研究は、伝達学習の非効率性である人工知能の未解決問題に焦点が当てられている。
環境データからオブジェクトとアクション間の論理的関係を抽出できるスキーマネットワーク手法を拡張している。
本稿では,デルタネットワーク(DSN)をトレーニングし,環境の将来状態を予測し,前向きな報酬をもたらす計画行動を示すアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-17T15:58:25Z) - Incentive Mechanism Design for Resource Sharing in Collaborative Edge
Learning [106.51930957941433]
5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。
これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
論文 参考訳（メタデータ） (2020-05-31T12:45:06Z) - Machine Learning for Network Slicing Resource Management: A
Comprehensive Survey [8.447614574360781]
マルチテナントネットワークスライシングは5Gセルネットワークの重要な特徴であると考えられている。
新しいタイプのパブリッククラウドサービスとして、ネットワークスライスを提供する。
ネットワークリソース管理における新たな課題を提起する。
論文 参考訳（メタデータ） (2020-01-22T11:55:29Z)
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。