論文の概要: Federated learning and next generation wireless communications: A survey on bidirectional relationship

• arxiv url: http://arxiv.org/abs/2110.07649v1
• Date: Thu, 14 Oct 2021 18:15:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 15:22:11.109605
• Title: Federated learning and next generation wireless communications: A survey on bidirectional relationship
• Title（参考訳）: 連合学習と次世代無線通信:双方向関係に関する調査
• Authors: Debaditya Shome, Omer Waqar and Wali Ullah Khan
• Abstract要約: フェデレートラーニング(FL)と呼ばれる分散機械学習パラダイムが最近提案されている。 FLでは、各エッジデバイスは、独自のトレーニングデータを使用して、ローカルモデルをトレーニングする。 一方、FLには無線通信が不可欠である。
• 参考スコア（独自算出の注目度）: 2.019622939313173
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In order to meet the extremely heterogeneous requirements of the next generation wireless communication networks, research community is increasingly dependent on using machine learning solutions for real-time decision-making and radio resource management. Traditional machine learning employs fully centralized architecture in which the entire training data is collected at one node e.g., cloud server, that significantly increases the communication overheads and also raises severe privacy concerns. Towards this end, a distributed machine learning paradigm termed as Federated learning (FL) has been proposed recently. In FL, each participating edge device trains its local model by using its own training data. Then, via the wireless channels the weights or parameters of the locally trained models are sent to the central PS, that aggregates them and updates the global model. On one hand, FL plays an important role for optimizing the resources of wireless communication networks, on the other hand, wireless communications is crucial for FL. Thus, a `bidirectional' relationship exists between FL and wireless communications. Although FL is an emerging concept, many publications have already been published in the domain of FL and its applications for next generation wireless networks. Nevertheless, we noticed that none of the works have highlighted the bidirectional relationship between FL and wireless communications. Therefore, the purpose of this survey paper is to bridge this gap in literature by providing a timely and comprehensive discussion on the interdependency between FL and wireless communications.
• Abstract（参考訳）: 次世代無線通信ネットワークの極めて異質な要件を満たすために、研究コミュニティは、リアルタイム意思決定と無線リソース管理に機械学習ソリューションを使うことにますます依存している。 従来の機械学習では、トレーニングデータ全体がひとつのノード(例えばクラウドサーバ)で収集される完全な集中型アーキテクチャを採用しており、通信オーバーヘッドを大幅に増加させ、プライバシーの懸念を生じさせる。 この目的に向けて、フェデレーション学習(fl)と呼ばれる分散機械学習パラダイムが最近提案されている。 flでは、各エッジデバイスは自身のトレーニングデータを使用してローカルモデルをトレーニングする。 そして、無線チャネルを介して、局所的に訓練されたモデルの重みまたはパラメータを中央PSに送り、それを集約し、グローバルモデルを更新します。 一方、FLは、無線通信ネットワークのリソースを最適化する上で重要な役割を担い、一方、FLにとって無線通信は不可欠である。 したがって、flと無線通信の間には「双方向」の関係が存在する。 flは新興のコンセプトだが、flとその次世代無線ネットワークへの応用に関する多くの論文がすでに出版されている。 しかし、いずれの研究もFLと無線通信の双方向関係を強調していないことに気づきました。 本研究の目的は,FLと無線通信の相互依存性について,タイムリーかつ包括的な議論を行うことで,文献のギャップを埋めることである。

関連論文リスト

• Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
  ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。 現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。 本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
  論文  参考訳（メタデータ） (2023-10-06T04:13:10Z)
• Revolutionizing Wireless Networks with Federated Learning: A Comprehensive Review [0.0]
  本稿では,無線通信における機械学習の重要性について論じる。 これは、フェデレートラーニング(FL)を、将来のモバイルネットワーク、特に6Gなどにおいて重要な役割を果たす新しいアプローチとして強調している。
  論文  参考訳（メタデータ） (2023-08-01T22:32:10Z)
• CFLIT: Coexisting Federated Learning and Information Transfer [18.30671838758503]
  本研究では,モバイルエッジネットワークにおける無線放送と従来型情報伝達(IT)の共存性について検討する。 FLとITデバイスがOFDMシステムで無線スペクトルを共有するCFLIT(Commanded Learning and Information Transfer)通信フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T13:17:28Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Convergence Analysis and System Design for Federated Learning over Wireless Networks [16.978276697446724]
  フェデレートラーニング(FL)は、IoTにおいて重要かつ有望な学習スキームとして登場した。 FLトレーニングは、無線通信ネットワークに大きく影響される頻繁なモデル交換を必要とします。 本論文では,コミュニケーションネットワークとトレーニング設定の協調影響を考慮したFLトレーニングの収束率を解析する。
  論文  参考訳（メタデータ） (2021-04-30T02:33:29Z)
• 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)
• Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
  機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。 本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
  論文  参考訳（メタデータ） (2020-08-06T12:37:14Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)

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。