論文の概要: Edge-Native Intelligence for 6G Communications Driven by Federated
Learning: A Survey of Trends and Challenges
- arxiv url: http://arxiv.org/abs/2111.07392v1
- Date: Sun, 14 Nov 2021 17:13:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 17:52:24.882747
- Title: Edge-Native Intelligence for 6G Communications Driven by Federated
Learning: A Survey of Trends and Challenges
- Title（参考訳）: 連合学習による6g通信のためのエッジネイティブインテリジェンス--トレンドと課題の調査
- Authors: Mohammad Al-Quraan, Lina Mohjazi, Lina Bariah, Anthony Centeno, Ahmed
Zoha, Sami Muhaidat, M\'erouane Debbah, and Muhammad Ali Imran
- Abstract要約: FL(Federated Learning)と呼ばれる新しい技術は、無線ネットワークの端に機械学習をもたらすために生まれた。
FLは、データプライバシを損なうことなく汎用MLモデルを開発するために、参加するクライアントの分散データセットとコンピューティングリソースの両方を活用する。
本調査の目的は,鍵となる無線技術におけるFL応用の現状を概観することである。
- 参考スコア（独自算出の注目度）: 14.008159759350264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The unprecedented surge of data volume in wireless networks empowered with
artificial intelligence (AI) opens up new horizons for providing ubiquitous
data-driven intelligent services. Traditional cloud-centric machine learning
(ML)-based services are implemented by collecting datasets and training models
centrally. However, this conventional training technique encompasses two
challenges: (i) high communication and energy cost due to increased data
communication, (ii) threatened data privacy by allowing untrusted parties to
utilise this information. Recently, in light of these limitations, a new
emerging technique, coined as federated learning (FL), arose to bring ML to the
edge of wireless networks. FL can extract the benefits of data silos by
training a global model in a distributed manner, orchestrated by the FL server.
FL exploits both decentralised datasets and computing resources of
participating clients to develop a generalised ML model without compromising
data privacy. In this article, we introduce a comprehensive survey of the
fundamentals and enabling technologies of FL. Moreover, an extensive study is
presented detailing various applications of FL in wireless networks and
highlighting their challenges and limitations. The efficacy of FL is further
explored with emerging prospective beyond fifth generation (B5G) and sixth
generation (6G) communication systems. The purpose of this survey is to provide
an overview of the state-of-the-art of FL applications in key wireless
technologies that will serve as a foundation to establish a firm understanding
of the topic. Lastly, we offer a road forward for future research directions.
- Abstract（参考訳）: 人工知能(AI)によって強化された無線ネットワークにおけるデータ量の増加は、ユビキタスなデータ駆動インテリジェントサービスを提供するための新たな地平を開く。
従来のクラウド中心機械学習(ML)ベースのサービスは、データセットを収集してモデルをトレーニングすることによって実装されている。
しかし、この従来の訓練手法には2つの課題がある。
(i)データ通信の増加による通信とエネルギーコストの増大。
(ii)信頼できない者がこの情報を利用できるようにすることで、データのプライバシーを脅かす。
近年,これらの制約を考慮して,フェデレートラーニング(FL)と呼ばれる新たな技術が出現し,MLを無線ネットワークのエッジに導入している。
FLサーバによって編成されたグローバルモデルを分散的にトレーニングすることで,データサイロのメリットを抽出することができる。
FLは、データプライバシを損なうことなく汎用MLモデルを開発するために、参加するクライアントの分散データセットとコンピューティングリソースの両方を活用する。
本稿では,FLの基本と実現技術に関する総合的な調査を紹介する。
さらに、無線ネットワークにおけるFLの様々な応用を詳述し、その課題と限界を明らかにする。
flの有効性は、第5世代(b5g)および第6世代(6g)通信システムでさらに探究される。
本調査の目的は、このトピックをしっかり理解するための基盤となる主要な無線技術におけるFLアプリケーションの最先端の概要を提供することである。
最後に,今後の研究方向への道筋を示す。
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) - Federated Learning: A Cutting-Edge Survey of the Latest Advancements and
Applications [4.491391835956324]
Federated Learning (FL) はセキュアな分散機械学習手法である。
FLはクラウドインフラストラクチャを統合して、ブロックチェーン技術を使用してMLモデルをエッジサーバに転送する。
現在のFL実装では、データ所有者はモデルをローカルにトレーニングし、その結果を重み、勾配、パラメータの形式でクラウドにアップロードする。
論文 参考訳（メタデータ） (2023-10-08T19:54:26Z) - 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) - Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the
Ugly [66.19763977571114]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳（メタデータ） (2023-10-04T20:27:20Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳（メタデータ） (2022-10-24T10:59:29Z) - Fusion of Federated Learning and Industrial Internet of Things: A Survey [4.810675235074399]
産業モノのインターネット(IIoT)は産業4.0の概念のための新しいパラダイムを構築し、新しい産業時代のための洞察を与えます。
スマートマシンとスマートファクトリは、インテリジェンス獲得に機械学習/ディープラーニングベースのモデルを使用する。
この問題を解決するために、フェデレーションラーニング(FL)技術がIIoTに実装され、研究者は安全、正確、堅牢、および偏見のないモデルを提供しています。
論文 参考訳（メタデータ） (2021-01-04T06:28:32Z) - 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) - Evaluating the Communication Efficiency in Federated Learning Algorithms [3.713348568329249]
近年,多くの国で新たなプライバシー法が制定され,フェデレートラーニング(FL)の概念が導入されている。
FLでは、モバイルユーザーは、プライバシーに敏感なデータを共有せずに、ローカルモデルを集約することでグローバルモデルを学ぶことができる。
これにより、FLを大規模に実装する際の通信コストの課題が提起される。
論文 参考訳（メタデータ） (2020-04-06T15:31:54Z) - Federated Learning for Resource-Constrained IoT Devices: Panoramas and
State-of-the-art [12.129978716326676]
我々は最近実装されたフェデレートラーニングの現実的な応用をいくつか紹介する。
大規模ネットワークでは、様々な計算資源を持つクライアントが存在するかもしれない。
FL領域における資源制約装置の今後の方向性を強調した。
論文 参考訳（メタデータ） (2020-02-25T01:03:29Z) - 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)
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。