論文の概要: On Addressing Heterogeneity in Federated Learning for Autonomous
Vehicles Connected to a Drone Orchestrator
- arxiv url: http://arxiv.org/abs/2108.02712v1
- Date: Thu, 5 Aug 2021 16:25:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 14:31:18.479966
- Title: On Addressing Heterogeneity in Federated Learning for Autonomous
Vehicles Connected to a Drone Orchestrator
- Title(参考訳): ドローンオーケストレータに接続された自動運転車のフェデレーション学習における不均一性への対処
- Authors: Igor Donevski, Jimmy Jessen Nielsen, Petar Popovski,
- Abstract要約: 我々は,自動運転車の性能を向上する上で,連邦学習(FL)のシナリオを想定する。
我々は,自律走行車の名目上の操作を損なう可能性のある,特定の種類の臨界物体(CO)の学習を加速する問題に焦点をあてる。
- 参考スコア(独自算出の注目度): 32.61132332561498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we envision a federated learning (FL) scenario in service of
amending the performance of autonomous road vehicles, through a drone traffic
monitor (DTM), that also acts as an orchestrator. Expecting non-IID data
distribution, we focus on the issue of accelerating the learning of a
particular class of critical object (CO), that may harm the nominal operation
of an autonomous vehicle. This can be done through proper allocation of the
wireless resources for addressing learner and data heterogeneity. Thus, we
propose a reactive method for the allocation of wireless resources, that
happens dynamically each FL round, and is based on each learner's contribution
to the general model. In addition to this, we explore the use of static methods
that remain constant across all rounds. Since we expect partial work from each
learner, we use the FedProx FL algorithm, in the task of computer vision. For
testing, we construct a non-IID data distribution of the MNIST and FMNIST
datasets among four types of learners, in scenarios that represent the quickly
changing environment. The results show that proactive measures are effective
and versatile at improving system accuracy, and quickly learning the CO class
when underrepresented in the network. Furthermore, the experiments show a
tradeoff between FedProx intensity and resource allocation efforts.
Nonetheless, a well adjusted FedProx local optimizer allows for an even better
overall accuracy, particularly when using deeper neural network (NN)
implementations.
- Abstract(参考訳): 本稿では,自律走行車の性能を向上するために,ドローン交通監視装置 (DTM) を通じてFL(Federated Learning) シナリオを考案し,オーケストレータとして機能する。
非iidデータ分布を想定し、自律走行車の名目操作に影響を及ぼす可能性のある特定の臨界物体(co)の学習を加速する問題に焦点をあてる。
これは、学習者とデータの不均一性に対処するための無線リソースを適切に割り当てることによって実現できる。
そこで本研究では,FLラウンド毎に動的に発生する無線リソースの割り当てに対して,各学習者の一般モデルへの貢献に基づくリアクティブ手法を提案する。
これに加えて、すべてのラウンドで一定である静的メソッドの使用についても検討する。
学習者の部分的な作業が期待できるので,コンピュータビジョンのタスクにおいて,FedProx FLアルゴリズムを用いる。
テストのために、急速に変化する環境を表現するシナリオにおいて、4種類の学習者間でmnistとfmnistデータセットの非iidデータ分布を構築する。
その結果,ネットワーク内での表現不足によるCO授業の学習は,システム精度の向上に有効であり,多目的であることがわかった。
さらに,feedprox強度と資源割当努力のトレードオフを示す実験を行った。
それでも、十分に調整されたFedProxローカルオプティマイザは、特にディープニューラルネットワーク(NN)実装を使用する場合には、全体的な精度をさらに向上する。
関連論文リスト
- FedRSU: Federated Learning for Scene Flow Estimation on Roadside Units [53.1239718589536]
ロードサイドユニット(RSU)は、V2X通信を通じて、自動運転車の安全性とロバスト性を大幅に向上させることができる。
現在、単一のRSUの使用は主にリアルタイム推論とV2Xコラボレーションに焦点を当てている。
多数のRSUから大量のデータを統合することで、モデルトレーニングのための豊富なデータソースを提供することができます。
我々は,自己監督型シーンフロー推定のための革新的なフェデレート学習フレームワークであるFedRSUを紹介する。
論文 参考訳(メタデータ) (2024-01-23T15:52:57Z) - VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular
Federated Learning [2.7892067588273513]
本稿では,車載フェデレート学習のための計算スケジューリング協調設計であるVREM-FLを提案する。
提案アルゴリズムは、無線リソース使用のためのトレードモデルトレーニング時間に調整することができる。
VREM-FLは、線形回帰モデル(学習時間を28%削減)と、セマンティックイメージセグメンテーションタスクのためのディープニューラルネットワークの両方のベンチマークより優れている。
論文 参考訳(メタデータ) (2023-11-30T17:38:54Z) - Robot Fleet Learning via Policy Merging [58.5086287737653]
我々はFLEET-MERGEを提案し、艦隊設定における政策を効率的にマージする。
本稿では,FLEET-MERGEがメタワールド環境における50のタスクで訓練されたポリシーの行動を統合することを示す。
合成・接触に富んだロボット操作タスクにおけるフリートポリシー学習のための新しいロボットツール用ベンチマークであるFLEET-TOOLSを導入する。
論文 参考訳(メタデータ) (2023-10-02T17:23:51Z) - DFRD: Data-Free Robustness Distillation for Heterogeneous Federated
Learning [20.135235291912185]
Federated Learning(FL)は、プライバシに制約のある分散機械学習パラダイムである。
本研究では,データヘテロジニアスおよびモデルヘテロジニアスFLシナリオにおいて,ロバストなグローバルモデルを学習するための新しいFL法(DFRD)を提案する。
論文 参考訳(メタデータ) (2023-09-24T04:29:22Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳(メタデータ) (2023-09-18T12:35:05Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳(メタデータ) (2022-10-24T10:59:29Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳(メタデータ) (2022-09-01T03:27:33Z) - Communication-Efficient Hierarchical Federated Learning for IoT
Heterogeneous Systems with Imbalanced Data [42.26599494940002]
フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。
本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。
複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
論文 参考訳(メタデータ) (2021-07-14T08:32:39Z) - Towards Heterogeneous Clients with Elastic Federated Learning [45.2715985913761]
フェデレーション学習では、エッジプロセッサやデータウェアハウスなどのデバイスやデータサイロ上で、データをローカルに保ちながら、マシンラーニングモデルをトレーニングする。
本稿では,不均一性に対処する非バイアスアルゴリズムであるElastic Federated Learning (EFL)を提案する。
上流と下流の両方の通信を圧縮する効率的かつ効率的なアルゴリズムである。
論文 参考訳(メタデータ) (2021-06-17T12:30:40Z) - PsiPhi-Learning: Reinforcement Learning with Demonstrations using
Successor Features and Inverse Temporal Difference Learning [102.36450942613091]
時間差学習(ITD)と呼ばれる逆強化学習アルゴリズムを提案する。
Psi Phi$-learningと呼ばれるデモで強化学習のための新しいアルゴリズムに到達し、オンライン環境の相互作用から学習とITDをシームレスに統合する方法を示します。
論文 参考訳(メタデータ) (2021-02-24T21:12:09Z) - Learning Centric Wireless Resource Allocation for Edge Computing:
Algorithm and Experiment [15.577056429740951]
Edge Intelligenceは、センサー、通信、コンピューティングコンポーネントを統合し、さまざまな機械学習アプリケーションをサポートする、新興ネットワークアーキテクチャである。
既存の方法は2つの重要な事実を無視している: 1) 異なるモデルがトレーニングデータに不均一な要求を持っている; 2) シミュレーション環境と実環境との間にはミスマッチがある。
本稿では,複数のタスクの最悪の学習性能を最大化する学習中心の無線リソース割り当て方式を提案する。
論文 参考訳(メタデータ) (2020-10-29T06:20:40Z)
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。