論文の概要: Vertical Federated Edge Learning with Distributed Integrated Sensing and
Communication
- arxiv url: http://arxiv.org/abs/2201.08512v1
- Date: Fri, 21 Jan 2022 02:05:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 15:03:07.032542
- Title: Vertical Federated Edge Learning with Distributed Integrated Sensing and
Communication
- Title(参考訳): 分散統合センシングと通信を用いた垂直フェデレーションエッジ学習
- Authors: Peixi Liu, Guangxu Zhu, Wei Jiang, Wu Luo, Jie Xu, and Shuguang Cui
- Abstract要約: 本文は, 協調物体・人体動作認識のための垂直フェデレーションエッジ学習(FEEL)システムについて検討する。
このシステムでは、分散エッジデバイスがまず無線信号を送信し、対象物や人間を検知し、次に中間計算ベクトルを交換して協調認識を行う。
人間の動作認識タスクを考慮し,我々の縦型FEELによるアプローチは,評価精度を最大98%向上し,ベンチマークよりも最大8%向上した。
- 参考スコア(独自算出の注目度): 40.84033154889936
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This letter studies a vertical federated edge learning (FEEL) system for
collaborative objects/human motion recognition by exploiting the distributed
integrated sensing and communication (ISAC). In this system, distributed edge
devices first send wireless signals to sense targeted objects/human, and then
exchange intermediate computed vectors (instead of raw sensing data) for
collaborative recognition while preserving data privacy. To boost the spectrum
and hardware utilization efficiency for FEEL, we exploit ISAC for both target
sensing and data exchange, by employing dedicated frequency-modulated
continuous-wave (FMCW) signals at each edge device. Under this setup, we
propose a vertical FEEL framework for realizing the recognition based on the
collected multi-view wireless sensing data. In this framework, each edge device
owns an individual local L-model to transform its sensing data into an
intermediate vector with relatively low dimensions, which is then transmitted
to a coordinating edge device for final output via a common downstream S-model.
By considering a human motion recognition task, experimental results show that
our vertical FEEL based approach achieves recognition accuracy up to 98\% with
an improvement up to 8\% compared to the benchmarks, including on-device
training and horizontal FEEL.
- Abstract(参考訳): 本文は、分散統合センシング・通信(ISAC)を利用して、協調物体・人体動作認識のための垂直連合エッジ学習(FEEL)システムについて研究する。
このシステムでは、分散エッジデバイスがまず無線信号を送信して対象物や人間を検知し、次にデータプライバシを保持しながら協調認識のための中間計算ベクトル(生のセンシングデータの代わりに)を交換する。
感覚のスペクトルとハードウェア利用効率を高めるために,各エッジデバイスに周波数変調連続波(fmcw)信号を用いて,ターゲットセンシングとデータ交換の両方にisacを利用する。
本設定では,収集したマルチビュー無線センシングデータに基づいて認識を実現するための縦型FEELフレームワークを提案する。
このフレームワークでは、各エッジデバイスが個々のローカルLモデルを所有して、そのセンシングデータを比較的低次元の中間ベクトルに変換し、共通の下流Sモデルを介して最終出力のための調整エッジデバイスに送信する。
人間の動作認識タスクを考慮し,我々の縦型FEELに基づくアプローチは,デバイス上でのトレーニングや水平FEELを含むベンチマークと比較して,最大8倍の精度で認識精度を最大98倍に向上することを示した。
関連論文リスト
- Unsupervised Federated Optimization at the Edge: D2D-Enabled Learning without Labels [14.696896223432507]
Federated Learning (FL)は、分散機械学習(ML)の一般的なソリューションである
tt CF-CLは、明示的な(生データ)または暗黙的な(埋め込み)情報をデバイス間通信(D2D)を介して交換する、ローカルなデバイス連携を採用している。
論文 参考訳(メタデータ) (2024-04-15T15:17:38Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳(メタデータ) (2023-12-08T13:50:30Z) - A Demonstration of Over-the-Air Computation for Federated Edge Learning [8.22379888383833]
提案手法は受信方向と送信方向の同期波形の検出に依存する。
この同期手法を低コストのSDRに実装することにより、周波数シフトキー(FSK)ベースの多数決(MV)の性能を示す。
論文 参考訳(メタデータ) (2022-09-20T19:08:49Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-08-04T15:46:48Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳(メタデータ) (2022-07-03T06:57:07Z) - Frequency Spectrum Augmentation Consistency for Domain Adaptive Object
Detection [107.52026281057343]
周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。
最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。
第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
論文 参考訳(メタデータ) (2021-12-16T04:07:01Z) - Integrating Sensing and Communication in Cellular Networks via NR
Sidelink [7.42576783544779]
我々は、その角度と回転依存性であるサイドリンクベースのRFセンシングに関する共通の問題について議論する。
本稿では,データの提案時間的特徴を捉えるためのグラフベースのエンコーダと,多角学習のための4つのアプローチを提案する。
論文 参考訳(メタデータ) (2021-09-15T12:41:31Z) - Rethinking the Tradeoff in Integrated Sensing and Communication:
Recognition Accuracy versus Communication Rate [21.149708253108788]
ISAC(Integrated Sensistance and Communication)は、バンド利用効率を向上させるための有望な技術である。
センシング性能と通信性能の間にはトレードオフがある。
本稿では、認識精度と通信データレートを同時に最大化する多目的最適化問題を定式化し、解決する。
論文 参考訳(メタデータ) (2021-07-20T17:00:35Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z)
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。