論文の概要: Data Sharing and Compression for Cooperative Networked Control
- arxiv url: http://arxiv.org/abs/2109.14675v1
- Date: Wed, 29 Sep 2021 19:14:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-02 09:52:07.269585
- Title: Data Sharing and Compression for Cooperative Networked Control
- Title(参考訳): 協調ネットワーク制御のためのデータ共有と圧縮
- Authors: Jiangnan Cheng, Marco Pavone, Sachin Katti, Sandeep Chinchali, Ao Tang
- Abstract要約: 本稿では,モジュール型コントローラのタスク目標と協調設計した,簡潔で高圧縮な予測を学習するためのソリューションを提案する。
実セル,IoT(Internet-of-Things),電力負荷データを用いたシミュレーションでは,モデル予測コントローラの性能を少なくとも25%向上すると同時に,競合する手法よりも80%低いデータを送信できることが示されている。
- 参考スコア(独自算出の注目度): 28.19172672710827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sharing forecasts of network timeseries data, such as cellular or electricity
load patterns, can improve independent control applications ranging from
traffic scheduling to power generation. Typically, forecasts are designed
without knowledge of a downstream controller's task objective, and thus simply
optimize for mean prediction error. However, such task-agnostic representations
are often too large to stream over a communication network and do not emphasize
salient temporal features for cooperative control. This paper presents a
solution to learn succinct, highly-compressed forecasts that are co-designed
with a modular controller's task objective. Our simulations with real cellular,
Internet-of-Things (IoT), and electricity load data show we can improve a model
predictive controller's performance by at least $25\%$ while transmitting
$80\%$ less data than the competing method. Further, we present theoretical
compression results for a networked variant of the classical linear quadratic
regulator (LQR) control problem.
- Abstract(参考訳): セルラーや電力負荷パターンなどのネットワークタイムリーデータの共有予測は、トラフィックスケジューリングから発電まで、独立した制御アプリケーションを改善することができる。
通常、予測は下流コントローラのタスク目標を知らずに設計され、したがって平均予測誤差を最適化する。
しかし、このようなタスクに依存しない表現は、しばしば通信網を流れるには大きすぎるため、協調制御のための健全な時間的特徴を強調しない。
本稿では,モジュール型コントローラのタスク目標と協調設計した,簡潔で圧縮性の高い予測手法を提案する。
実セルラー、iot(internet-of-things)、電力負荷データを用いたシミュレーションでは、モデル予測コントローラの性能を少なくとも25-%$で向上させながら、競合メソッドよりも80-%少ないデータを送信することができる。
さらに,古典線形二次レギュレータ(lqr)制御問題のネットワーク型に対する理論的圧縮結果を示す。
関連論文リスト
- Fed-CVLC: Compressing Federated Learning Communications with
Variable-Length Codes [54.18186259484828]
フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。
FLの圧縮には可変長が有用であることを示す。
本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
論文 参考訳(メタデータ) (2024-02-06T07:25:21Z) - Learning When to See for Long-term Traffic Data Collection on
Power-constrained Devices [7.712009864814493]
本稿では,バッテリ駆動デバイスの観測タイミングを戦略的に決定する,新しい学習ベースのフレームワークを提案する。
スパースサンプリングされた観測結果から全データストリームを再構築し,性能損失を最小限に抑える。
RNN予測器と推定器とDRQN(Deep Recurrent Q-Network)コントローラによるPeMSデータに対する提案手法の性能評価を行った。
論文 参考訳(メタデータ) (2024-01-25T20:50:34Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳(メタデータ) (2023-09-04T21:10:45Z) - Hierarchical Federated Learning in Wireless Networks: Pruning Tackles
Bandwidth Scarcity and System Heterogeneity [36.325588885670825]
我々はヘテロジニアスネットワーク(HetNets)におけるプルーニング可能な階層型フェデレーションラーニング(PHFL)を提案する。
まず、モデルプルーニングと無線通信の影響を明確に示す収束率の上限を導出する。
提案するPHFLアルゴリズムの有効性を,テスト精度,壁面時計時間,エネルギー消費,帯域幅要件の観点から検証した。
論文 参考訳(メタデータ) (2023-08-03T07:03:33Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Cross-network transferable neural models for WLAN interference
estimation [8.519313977400735]
本稿では,ロバストネスにおける干渉推定の原理的アプローチを採用する。
まず、実データを使って影響する要因を識別し、関連する一連の合成ワークロードを導出します。
当然のことながら、Graph Conalvolution Networks(GCNs)が全体的なパフォーマンスで最高のものになっている。
論文 参考訳(メタデータ) (2022-11-25T11:01:43Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - Time-Correlated Sparsification for Efficient Over-the-Air Model
Aggregation in Wireless Federated Learning [23.05003652536773]
Federated Edge Learning(FEEL)は、エッジインテリジェンスアプリケーションを駆動するための有望な分散機械学習(ML)フレームワークである。
通信効率の高いFEELのためのハイブリッドアグリゲーション(TCS-H)を用いた時間相関スペーシングを提案する。
論文 参考訳(メタデータ) (2022-02-17T02:48:07Z) - Deep Reinforcement Learning for Wireless Scheduling in Distributed
Networked Control [56.77877237894372]
この研究は、分散植物、センサー、アクチュエータ、コントローラを備えた完全な分散WNCSを考慮し、限られた数の周波数チャネルを共有する。
最適な送信スケジューリング問題を決定プロセス問題に定式化し、それを解くための深層強化学習アルゴリズムを開発する。
論文 参考訳(メタデータ) (2021-09-26T11:27:12Z) - Communication Topology Co-Design in Graph Recurrent Neural Network Based
Distributed Control [4.492630871726495]
分散コントローラのコンパクトかつ表現力のあるグラフ繰り返しニューラルネットワーク(GRNN)パラメータ化について紹介する。
提案されたパラメータ化は,従来のGNN(Graph Neural Network)ベースのパラメータ化に類似した,ローカルおよび分散アーキテクチャである。
本研究では,性能/通信密度のトレードオフ曲線を効率よく近似できることを示す。
論文 参考訳(メタデータ) (2021-04-28T16:30:02Z) - Toward fast and accurate human pose estimation via soft-gated skip
connections [97.06882200076096]
本稿では,高精度かつ高効率な人間のポーズ推定について述べる。
我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。
本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
論文 参考訳(メタデータ) (2020-02-25T18:51:51Z)
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。