論文の概要: Semi-asynchronous Hierarchical Federated Learning for Cooperative
Intelligent Transportation Systems
- arxiv url: http://arxiv.org/abs/2110.09073v1
- Date: Mon, 18 Oct 2021 07:44:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-20 05:07:18.967284
- Title: Semi-asynchronous Hierarchical Federated Learning for Cooperative
Intelligent Transportation Systems
- Title(参考訳): 協調型知的輸送システムのための半同期階層型連合学習
- Authors: Qimei Chen and Zehua You and Hao Jiang
- Abstract要約: コラボレーティブ・インテリジェント・トランスポート・システム(C-ITS)は、自動運転車や道路インフラの安全性、効率性、持続可能性、快適なサービスを提供する有望なネットワークである。
C-ITSのコンポーネントは通常大量のデータを生成するため、データサイエンスを探索することは困難である。
本稿では,C-ITSのためのSemi-a synchronous Federated Learning (SHFL) 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): 10.257042901204528
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Cooperative Intelligent Transport System (C-ITS) is a promising network to
provide safety, efficiency, sustainability, and comfortable services for
automated vehicles and road infrastructures by taking advantages from
participants. However, the components of C-ITS usually generate large amounts
of data, which makes it difficult to explore data science. Currently, federated
learning has been proposed as an appealing approach to allow users to
cooperatively reap the benefits from trained participants. Therefore, in this
paper, we propose a novel Semi-asynchronous Hierarchical Federated Learning
(SHFL) framework for C-ITS that enables elastic edge to cloud model aggregation
from data sensing. We further formulate a joint edge node association and
resource allocation problem under the proposed SHFL framework to prevent
personalities of heterogeneous road vehicles and achieve
communication-efficiency. To deal with our proposed Mixed integer nonlinear
programming (MINLP) problem, we introduce a distributed Alternating Direction
Method of Multipliers (ADMM)-Block Coordinate Update (BCU) algorithm. With this
algorithm, a tradeoff between training accuracy and transmission latency has
been derived. Numerical results demonstrate the advantages of the proposed
algorithm in terms of training overhead and model performance.
- Abstract(参考訳): C-ITS(Cooperative Intelligent Transport System)は、自動運転車や道路インフラの安全、効率、持続可能性、快適なサービスを提供するための有望なネットワークである。
しかし、C-ITSのコンポーネントは通常大量のデータを生成するため、データサイエンスを探索することは困難である。
現在、訓練された参加者の利益を共同で得るための魅力的なアプローチとして、連合学習が提案されている。
そこで本稿では,データセンシングによるクラウドモデルアグリゲーションを実現するために,c-itsのための半同期階層型階層型連合学習(shfl)フレームワークを提案する。
さらに,提案するshflの枠組みに基づき,共用エッジノードの関連付けと資源配分の問題も定式化し,異種道路車両のパーソナリティの防止と通信効率の向上を図る。
提案する混合整数非線形プログラミング (minlp) 問題に対処するために, 乗算器 (admm)-ブロック座標更新 (bcu) の分散交互方向法を提案する。
このアルゴリズムにより、トレーニング精度と送信遅延のトレードオフが導出された。
シミュレーションにより,提案アルゴリズムの利点を訓練のオーバーヘッドとモデル性能の観点から示す。
関連論文リスト
- 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) - Effectively Heterogeneous Federated Learning: A Pairing and Split
Learning Based Approach [16.093068118849246]
本稿では,クライアントと異なる計算資源をペアリングする,新しい分割フェデレーション学習(SFL)フレームワークを提案する。
グラフエッジ選択問題として,学習遅延の最適化を再構築し,グレディアルゴリズムを提案する。
シミュレーションの結果,提案手法はFLトレーニング速度を大幅に向上し,高い性能を実現することができることがわかった。
論文 参考訳(メタデータ) (2023-08-26T11:10:54Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳(メタデータ) (2023-05-24T17:26:22Z) - Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。
このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。
本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
論文 参考訳(メタデータ) (2023-02-24T08:41:19Z) - Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification
in the Presence of Data Heterogeneity [60.791736094073]
通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。
本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。
提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
論文 参考訳(メタデータ) (2023-02-19T17:42:35Z) - 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) - Accelerating Federated Edge Learning via Topology Optimization [41.830942005165625]
フェデレートエッジラーニング(FEEL)は、プライバシー保護の分散ラーニングを実現するための有望なパラダイムとして考えられている。
ストラグラー装置の存在により、過度の学習時間を消費する。
フェデレーション学習における不均一性問題に対処するために,新しいトポロジ最適化フェデレーション・エッジ・ラーニング(TOFEL)手法を提案する。
論文 参考訳(メタデータ) (2022-04-01T14:49:55Z) - Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。
このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
論文 参考訳(メタデータ) (2022-02-17T02:01:37Z) - Semi-Decentralized Federated Edge Learning with Data and Device
Heterogeneity [6.341508488542275]
フェデレーションエッジ学習(FEEL)は、ディープラーニングモデルをトレーニングするために、ネットワークエッジに分散データを効果的に組み込むための、プライバシ保護パラダイムとして多くの注目を集めている。
本稿では,複数のエッジサーバを用いて多数のクライアントノードを協調的に調整する,半分散型フェデレーションエッジ学習(SD-FEEL)という,FEELの新しいフレームワークについて検討する。
効率的なモデル共有のためにエッジサーバ間の低レイテンシ通信を利用することで、SD-FEELは従来のフェデレート学習に比べてはるかにレイテンシの低い訓練データを取り込みながら、より多くのトレーニングデータを組み込むことができる。
論文 参考訳(メタデータ) (2021-12-20T03:06:08Z) - Resource-constrained Federated Edge Learning with Heterogeneous Data:
Formulation and Analysis [8.863089484787835]
ヘテロジニアスデータによる不均一な統計的課題を解決するために, 分散されたニュートン型ニュートン型トレーニングスキームであるFedOVAを提案する。
FedOVAはマルチクラス分類問題をより単純なバイナリ分類問題に分解し、アンサンブル学習を用いてそれぞれの出力を結合する。
論文 参考訳(メタデータ) (2021-10-14T17:35:24Z) - 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)
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。