論文の概要: Energy Efficient Federated Learning in Integrated Fog-Cloud Computing
Enabled Internet-of-Things Networks
- arxiv url: http://arxiv.org/abs/2107.03520v1
- Date: Wed, 7 Jul 2021 23:09:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 21:04:29.925088
- Title: Energy Efficient Federated Learning in Integrated Fog-Cloud Computing
Enabled Internet-of-Things Networks
- Title（参考訳）: インターネットを利用した統合フォグクラウドコンピューティングにおけるエネルギー効率の高いフェデレーション学習
- Authors: Mohammed S. Al-Abiad, Md. Zoheb Hassan, Md. Jahangir Hossain
- Abstract要約: ローカルモデルをトレーニングするシナリオを2つ検討する。
最初のシナリオでは、ローカルモデルはIoTデバイスでトレーニングされ、F-APはローカルモデルパラメータをクラウドにアップロードする。
第2のシナリオでは、IoTデバイスから収集されたデータに基づいて、ローカルモデルをF-APでトレーニングし、F-APはCSと協力してモデルパラメータを更新する。
- 参考スコア（独自算出の注目度）: 15.446892683183037
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate resource allocation scheme to reduce the energy consumption of
federated learning (FL) in the integrated fog-cloud computing enabled
Internet-of-things (IoT) networks. In the envisioned system, IoT devices are
connected with the centralized cloud server (CS) via multiple fog access points
(F-APs). We consider two different scenarios for training the local models. In
the first scenario, local models are trained at the IoT devices and the F-APs
upload the local model parameters to the CS. In the second scenario, local
models are trained at the F-APs based on the collected data from the IoT
devices and the F-APs collaborate with the CS for updating the model
parameters. Our objective is to minimize the overall energy-consumption of both
scenarios subject to FL time constraint. Towards this goal, we devise a joint
optimization of scheduling of IoT devices with the F-APs, transmit power
allocation, computation frequency allocation at the devices and F-APs and
decouple it into two subproblems. In the first subproblem, we optimize the IoT
device scheduling and power allocation, while in the second subproblem, we
optimize the computation frequency allocation. For each scenario, we develop a
conflict graph based solution to iteratively solve the two subproblems.
Simulation results show that the proposed two schemes achieve a considerable
performance gain in terms of the energy consumption minimization. The presented
simulation results interestingly reveal that for a large number of IoT devices
and large data sizes, it is more energy efficient to train the local models at
the IoT devices instead of the F-APs.
- Abstract（参考訳）: 我々は,IoT(Internet-of-Things)ネットワークを統合したフォグクラウドコンピューティングにおいて,FL(Federated Learning)のエネルギー消費を削減するための資源割り当て方式を検討した。
想定されたシステムでは、IoTデバイスは複数のフォグアクセスポイント(F-AP)を介して集中クラウドサーバ(CS)に接続される。
ローカルモデルをトレーニングするシナリオを2つ検討する。
最初のシナリオでは、ローカルモデルをIoTデバイスでトレーニングし、F-APはローカルモデルパラメータをCSにアップロードする。
第2のシナリオでは、IoTデバイスから収集されたデータに基づいて、ローカルモデルをF-APでトレーニングし、F-APはCSと協力してモデルパラメータを更新する。
我々の目標は,fl時間制約下での両シナリオのエネルギー消費を最小化することである。
この目標に向けて、IoTデバイスのスケジューリングをF-APと共同で最適化し、電力割り当て、F-APでの計算周波数割り当てを2つのサブプロブレムに分割する。
第1サブプロブレムではIoTデバイスのスケジューリングと電力割り当てを最適化し、第2サブプロブレムでは計算周波数割り当てを最適化する。
それぞれのシナリオについて,2つのサブ問題を反復的に解くためのコンフリクトグラフベースのソリューションを開発した。
シミュレーション結果から,提案手法はエネルギー消費最小化の観点からかなりの性能向上を達成した。
シミュレーションの結果,多数のiotデバイスと大規模データサイズにおいて,f-apsではなく,iotデバイスでのローカルモデルのトレーニングの方がエネルギー効率がよいことが明らかとなった。
関連論文リスト
- Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。
我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。
具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
論文 参考訳（メタデータ） (2024-08-26T14:28:51Z) - Device Scheduling and Assignment in Hierarchical Federated Learning for
Internet of Things [20.09415156099031]
本稿では,デバイススケジューリングのための改良K-Centerアルゴリズムを提案し,IoTデバイスをエッジサーバに割り当てるための深層強化学習に基づくアプローチを提案する。
実験によると、IoTデバイスの50%のスケジューリングは一般的に、時間遅延とエネルギー消費を大幅に低減したHFLの収束を達成するのに十分である。
論文 参考訳（メタデータ） (2024-02-04T14:42:13Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-26T08:13:22Z) - Energy and Spectrum Efficient Federated Learning via High-Precision
Over-the-Air Computation [26.499025986273832]
フェデレートラーニング(FL)は、データをローカルに保持しながら、モバイルデバイスが共同で共有予測モデルを学ぶことを可能にする。
モバイルデバイス上でFLを実際にデプロイする上で,2つの大きな研究課題がある。
FLにおける局所モデル更新のスペクトル効率向上のためのマルチビットオーバー・ザ・エアコン(M-AirComp)手法を提案する。
論文 参考訳（メタデータ） (2022-08-15T14:47:21Z) - 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) - Parallel Successive Learning for Dynamic Distributed Model Training over
Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。
我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。
我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文 参考訳（メタデータ） (2022-02-07T05:11:01Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Federated Learning with Cooperating Devices: A Consensus Approach for
Massive IoT Networks [8.456633924613456]
分散システムにおける機械学習モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。
提案するFLアルゴリズムは,ネットワーク内のデータ操作を行うデバイスとの協調を利用して,完全に分散された(あるいはサーバレス)学習手法を提案する。
このアプローチは、分散接続とコンピューティングを特徴とするネットワークを超えて、5G 内で FL を統合するための基盤となる。
論文 参考訳（メタデータ） (2019-12-27T15:16:04Z)
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。