論文の概要: A Credibility-aware Swarm-Federated Deep Learning Framework in Internet of Vehicles

• arxiv url: http://arxiv.org/abs/2108.03981v1
• Date: Mon, 9 Aug 2021 12:33:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 20:50:24.714813
• Title: A Credibility-aware Swarm-Federated Deep Learning Framework in Internet of Vehicles
• Title（参考訳）: 車両のインターネットにおける信頼性を考慮したSwarm-Federated Deep Learningフレームワーク
• Authors: Zhe Wang, Xinhang Li, Tianhao Wu, Chen Xu, Lin Zhang
• Abstract要約: FDL(Federated Deep Learning)は、自動車インターネット(IoV)における分散機械学習の実現を支援する。 本稿では,SLをFDLフレームワークに統合したIoVシステム(IoV-SFDL)におけるSwarm-Federated Deep Learningフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.068813113859338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Deep Learning (FDL) is helping to realize distributed machine learning in the Internet of Vehicles (IoV). However, FDL's global model needs multiple clients to upload learning model parameters, thus still existing unavoidable communication overhead and data privacy risks. The recently proposed Swarm Learning (SL) provides a decentralized machine-learning approach uniting edge computing and blockchain-based coordination without the need for a central coordinator. This paper proposes a Swarm-Federated Deep Learning framework in the IoV system (IoV-SFDL) that integrates SL into the FDL framework. The IoV-SFDL organizes vehicles to generate local SL models with adjacent vehicles based on the blockchain empowered SL, then aggregates the global FDL model among different SL groups with a proposed credibility weights prediction algorithm. Extensive experimental results demonstrate that compared with the baseline frameworks, the proposed IoV-SFDL framework achieves a 16.72% reduction in edge-to-global communication overhead while improving about 5.02% in model performance with the same training iterations.
• Abstract（参考訳）: Federated Deep Learning (FDL)は、IoT of Vehicles (IoV)における分散機械学習の実現を支援する。 しかし、FDLのグローバルモデルは学習モデルパラメータをアップロードするために複数のクライアントを必要とするため、既存の避けられない通信オーバーヘッドとデータプライバシのリスクがある。 最近提案されたSwarm Learning(SL)は、エッジコンピューティングとブロックチェーンベースのコーディネータを中央コーディネータなしで結合する分散機械学習アプローチを提供する。 本稿では,SLをFDLフレームワークに統合したIoVシステム(IoV-SFDL)におけるSwarm-Federated Deep Learningフレームワークを提案する。 IoV-SFDLは、ブロックチェーン権限付きSLに基づいて隣接する車両で局所的なSLモデルを生成するために車両を編成し、提案された信頼性重み予測アルゴリズムを用いて、異なるSLグループ間でグローバルなFDLモデルを集約する。 大規模な実験結果から,提案したIoV-SFDLフレームワークはベースラインフレームワークと比較して,エッジ・ツー・グロバル通信のオーバヘッドが16.72%削減され,モデル性能は5.02%向上した。

関連論文リスト

• Adaptive and Parallel Split Federated Learning in Vehicular Edge Computing [6.004901615052089]
  車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムを実現するための有望なパラダイムである。 フェデレートラーニング(Federated Learning, FL)は、コラボレーティブモデルトレーニングとアグリゲーションを促進する基礎技術のひとつである。 ASFV(Adaptive Split Federated Learning scheme for Vehicular Edge Computing) を開発した。
  論文  参考訳（メタデータ） (2024-05-29T02:34:38Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Communication Resources Constrained Hierarchical Federated Learning for End-to-End Autonomous Driving [67.78611905156808]
  本稿では,最適化に基づくコミュニケーションリソース制約付き階層型学習フレームワークを提案する。 その結果,提案したCRCHFLは収束速度を加速し,フェデレーション学習自律運転モデルの一般化を促進することがわかった。
  論文  参考訳（メタデータ） (2023-06-28T12:44:59Z)
• PFSL: Personalized & Fair Split Learning with Data & Label Privacy for thin clients [0.5144809478361603]
  PFSLは分散分割学習の新しいフレームワークであり、多数のシンクライアントが並列にトランスファー学習を行う。 クライアントモデルのパーソナライズを行うための軽量なステップを実装し,それぞれのデータ分布に対して高いパフォーマンスを実現する。 我々の精度は現在のアルゴリズムSLをはるかに上回り、いくつかの実生活ベンチマークにおける集中学習に非常に近い。
  論文  参考訳（メタデータ） (2023-03-19T10:38:29Z)
• 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)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Enhanced Decentralized Federated Learning based on Consensus in Connected Vehicles [14.80476265018825]
  分散システムにおける機械学習(ML)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。 我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
  論文  参考訳（メタデータ） (2022-09-22T01:21:23Z)
• An Efficient and Reliable Asynchronous Federated Learning Scheme for Smart Public Transportation [24.8522516507395]
  Federated Learning(FL)は、車がクラウドに生データをアップロードすることなく、継続的なモデル更新を受けられる分散機械学習スキームである。 本稿では,動的スケーリング係数(DBAFL)を備えたブロックチェーンベースの非同期フェデレーション学習方式を提案する。 異種デバイスを用いた実験は, DBAFLの学習性能, 効率, 信頼性に優れていた。
  論文  参考訳（メタデータ） (2022-08-15T13:56:29Z)
• Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point [51.47520726446029]
  協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。 CE-FLの過程をモデル化し,分析訓練を行った。 実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2022-03-26T00:41:57Z)
• 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)
• IPLS : A Framework for Decentralized Federated Learning [6.6271520914941435]
  IPLSは、惑星間ファイルシステム(IPFS)を部分的にベースとする完全分散型のフェデレーション学習フレームワークです。 IPLSは、参加者数に応じてスケールし、断続接続や動的入場/到着に対して堅牢であり、最小限のリソースを必要とし、トレーニングされたモデルの精度が1000分の1の精度低下を伴う集中FLフレームワークの精度に迅速に収束することを保証する。
  論文  参考訳（メタデータ） (2021-01-06T07:44:51Z)

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。