論文の概要: Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT
- arxiv url: http://arxiv.org/abs/2110.14937v1
- Date: Thu, 28 Oct 2021 08:14:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 04:54:44.538156
- Title: Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT
- Title（参考訳）: 次世代エッジ対応産業用IoTのための計算インテリジェンスとディープラーニング
- Authors: Shunpu Tang, Lunyuan Chen, Ke HeJunjuan Xia, Lisheng Fan, Arumugam
Nallanathan
- Abstract要約: エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
- 参考スコア（独自算出の注目度）: 51.68933585002123
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we investigate how to deploy computational intelligence and
deep learning (DL) in edge-enabled industrial IoT networks. In this system, the
IoT devices can collaboratively train a shared model without compromising data
privacy. However, due to limited resources in the industrial IoT networks,
including computational power, bandwidth, and channel state, it is challenging
for many devices to accomplish local training and upload weights to the edge
server in time. To address this issue, we propose a novel multi-exit-based
federated edge learning (ME-FEEL) framework, where the deep model can be
divided into several sub-models with different depths and output prediction
from the exit in the corresponding sub-model. In this way, the devices with
insufficient computational power can choose the earlier exits and avoid
training the complete model, which can help reduce computational latency and
enable devices to participate into aggregation as much as possible within a
latency threshold. Moreover, we propose a greedy approach-based exit selection
and bandwidth allocation algorithm to maximize the total number of exits in
each communication round. Simulation experiments are conducted on the classical
Fashion-MNIST dataset under a non-independent and identically distributed
(non-IID) setting, and it shows that the proposed strategy outperforms the
conventional FL. In particular, the proposed ME-FEEL can achieve an accuracy
gain up to 32.7% in the industrial IoT networks with the severely limited
resources.
- Abstract（参考訳）: 本稿では,エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
このシステムでは、IoTデバイスはデータのプライバシを損なうことなく、共同で共有モデルをトレーニングすることができる。
しかし、計算能力、帯域幅、チャネル状態などの産業用IoTネットワークのリソースが限られているため、多くのデバイスがローカルトレーニングを達成し、エッジサーバに重みをアップロードすることは困難である。
この問題に対処するため、我々は、深度が異なる複数のサブモデルに分割し、対応するサブモデルの出口から出力予測を行うことができる、新しいマルチエクイットベースフェデレーションエッジラーニング(ME-FEEL)フレームワークを提案する。
このように、計算能力の不足したデバイスは、早期の出口を選択して、完全なモデルをトレーニングすることを避けることができ、計算遅延を減らし、デバイスがレイテンシ閾値内で可能な限りアグリゲーションに参加することができる。
さらに,各通信ラウンドにおける出口総数を最大化するために,グリージーアプローチによる出口選択と帯域幅割り当てアルゴリズムを提案する。
非独立かつ同一分散(非iid)設定下での古典的なファッション・マンニストデータセット上でシミュレーション実験を行い,提案手法が従来のflよりも優れていることを示す。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、32.7%の精度を達成できる。
関連論文リスト
- Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving
for Internet of Things [4.68267059122563]
本稿では,エッジサーバの高性能機能を活用した,エッジ支援型U-Shaped Split Federated Learning (EUSFL) フレームワークを提案する。
このフレームワークでは、フェデレートラーニング(FL)を活用し、データ保持者がデータを共有せずに協調的にモデルをトレーニングできるようにします。
また,データの特徴やラベルが復元攻撃に対して確実に耐えられるように,ラベルDPと呼ばれる新しいノイズ機構を提案する。
論文 参考訳（メタデータ） (2023-11-08T05:14:41Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - 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) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Federated Learning in Mobile Edge Computing: An Edge-Learning
Perspective for Beyond 5G [24.275726025778482]
本稿では,エッジコンピューティングを利用した新しいフェデレーション学習フレームワークを提案する。
IoTデバイスとエッジサーバ間の通信制約を考慮する。
さまざまなIoTデバイスは、エッジサーバで生成されたグローバルモデルの正確性にさまざまな影響を与える、さまざまなトレーニングデータセットを持っています。
論文 参考訳（メタデータ） (2020-07-15T22:58:47Z) - Prune2Edge: A Multi-Phase Pruning Pipelines to Deep Ensemble Learning in
IIoT [0.0]
IIoTデバイス上での学習をアンサンブルするためのエッジベースのマルチフェーズ・プルーニングパイプラインを提案する。
第1フェーズでは、様々なプルーンドモデルのアンサンブルを生成し、次いで整数量子化を適用し、次にクラスタリングに基づく手法を用いて生成されたアンサンブルをプルークする。
提案手法は,ベースラインモデルの予測可能性レベルより優れていた。
論文 参考訳（メタデータ） (2020-04-09T17:44:34Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z) - Federated Learning with Cooperating Devices: A Consensus Approach for
Massive IoT Networks [8.456633924613456]
分散システムにおける機械学習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。
提案するFLアルゴリズムは,ネットワーク内のデータ操作を行うデバイスとの協調を利用して,完全に分散された(あるいはサーバレス)学習手法を提案する。
このアプローチは、分散接続とコンピューティングを特徴とするネットワークを超えて、5G 内で FL を統合するための基盤となる。
論文 参考訳（メタデータ） (2019-12-27T15:16:04Z)
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。