論文の概要: Towards Energy Efficient Distributed Federated Learning for 6G Networks

• arxiv url: http://arxiv.org/abs/2201.08270v1
• Date: Wed, 19 Jan 2022 06:37:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 14:57:33.410424
• Title: Towards Energy Efficient Distributed Federated Learning for 6G Networks
• Title（参考訳）: エネルギー効率のよい6gネットワーク用分散フェデレート学習に向けて
• Authors: Sunder Ali Khowaja, Kapal Dev, Parus Khuwaja, Paolo Bellavista
• Abstract要約: IoT/エッジデバイスは、機械学習技術を使用してモデルをトレーニングするために、データをベースステーションに直接送信する必要がある。 データ送信は、セキュリティ上の問題や金銭的損失につながる可能性のあるプライバシーの問題をもたらす。 遠隔デバイスにおける接続性とエネルギー効率の問題を克服する分散連合学習(DBFL)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）: 9.386341375741225
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The provision of communication services via portable and mobile devices, such as aerial base stations, is a crucial concept to be realized in 5G/6G networks. Conventionally, IoT/edge devices need to transmit the data directly to the base station for training the model using machine learning techniques. The data transmission introduces privacy issues that might lead to security concerns and monetary losses. Recently, Federated learning was proposed to partially solve privacy issues via model-sharing with base station. However, the centralized nature of federated learning only allow the devices within the vicinity of base stations to share the trained models. Furthermore, the long-range communication compels the devices to increase transmission power, which raises the energy efficiency concerns. In this work, we propose distributed federated learning (DBFL) framework that overcomes the connectivity and energy efficiency issues for distant devices. The DBFL framework is compatible with mobile edge computing architecture that connects the devices in a distributed manner using clustering protocols. Experimental results show that the framework increases the classification performance by 7.4\% in comparison to conventional federated learning while reducing the energy consumption.
• Abstract（参考訳）: 5g/6gネットワークで実現すべき重要な概念は,無線基地局などの携帯・移動機器による通信サービスの提供である。 従来iot/edgeデバイスは、機械学習技術を使ってモデルをトレーニングするために、データをベースステーションに直接送信する必要がある。 データ転送はプライバシーの問題をもたらし、セキュリティの懸念と金銭的損失につながる可能性がある。 近年,ベースステーションとのモデル共有によるプライバシー問題を部分的に解決するために,連合学習が提案されている。 しかし、連合学習の中央集権性は、ベースステーション付近のデバイスがトレーニングされたモデルを共有することのみを許している。 さらに、長距離通信はデバイスを補完して送信電力を増大させ、エネルギー効率の懸念を生じさせる。 本研究では,遠隔デバイスにおける接続性とエネルギー効率の問題を克服する分散連合学習(DBFL)フレームワークを提案する。 DBFLフレームワークは、クラスタリングプロトコルを使用してデバイスを分散的に接続するモバイルエッジコンピューティングアーキテクチャと互換性がある。 実験結果から,従来のフェデレーション学習と比較して分類性能が7.4\%向上し,省エネルギー化が図られた。

関連論文リスト

• Sparse Federated Training of Object Detection in the Internet of Vehicles [13.864554148921826]
  物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである 現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。 そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-07T08:58:41Z)
• Decentralized federated learning methods for reducing communication cost and energy consumption in UAV networks [8.21384946488751]
  無人航空機(UAV)は、商品の配送、リアルタイム道路交通のマッピング、汚染の監視など、現代のスマートシティにおいて多くの役割を担っている。 従来のドローンの機械学習モデルは、データのプライバシー問題、通信コスト、エネルギー制限に遭遇する。 本稿では,UAVネットワークのための分散学習(DFL-UN)の既存アーキテクチャをベースとした,通信FLと代替FLの2つのアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2023-04-13T14:00:34Z)
• A Practical Cross-Device Federated Learning Framework over 5G Networks [47.72735882790756]
  連邦学習(FL)の概念は、2016年にGoogleによって初めて提案された。 匿名通信技術とリングシグネチャを用いたクロスデバイス・フェデレーション学習フレームワークを提案する。 さらに,提案手法は,モバイルユーザのFL参加を促すために,コントリビューションベースのインセンティブ機構を実装している。
  論文  参考訳（メタデータ） (2022-04-18T02:31:06Z)
• 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)
• Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between Convergence and Power Transfer [42.30741737568212]
  無線電力伝送(WPT)を用いた電力機器の解法を提案する。 本研究の目的は、無線で駆動するFEEL(WP-FEEL)システムの導入に関するガイドラインの導出である。 その結果、WPTプロビジョニングに関する有用なガイドラインを提供し、学習パフォーマンスの保証を提供します。
  論文  参考訳（メタデータ） (2021-02-24T15:47:34Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)
• To Talk or to Work: Energy Efficient Federated Learning over Mobile Devices via the Weight Quantization and 5G Transmission Co-Design [49.95746344960136]
  Federated Learning (FL) は,モバイルデバイス間での大規模学習タスクのための新たなパラダイムである。 モバイルデバイス上でFLをサポートする効果的な無線ネットワークアーキテクチャを確立する方法は不明です。 我々は、異種5Gモバイル機器上でのエネルギー効率FLのための無線伝送および重み量子化協調設計を開発する。
  論文  参考訳（メタデータ） (2020-12-21T01:13:44Z)
• 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)
• Communication Efficient Federated Learning with Energy Awareness over Wireless Networks [51.645564534597625]
  フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。 我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。 2つの最適化問題を定式化し、学習性能を最適化する。 FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-15T21:25:13Z)
• 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。