論文の概要: Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT
- arxiv url: http://arxiv.org/abs/2202.03575v1
- Date: Thu, 3 Feb 2022 07:12:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-13 14:28:25.071012
- Title: Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT
- Title（参考訳）: IIoTのデータ管理のための深層強化学習支援フェデレーション学習アルゴリズム
- Authors: Peiying Zhang, Chao Wang, Chunxiao Jiang, and Zhu Han
- Abstract要約: 産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
- 参考スコア（独自算出の注目度）: 82.33080550378068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The continuous expanded scale of the industrial Internet of Things (IIoT)
leads to IIoT equipments generating massive amounts of user data every moment.
According to the different requirement of end users, these data usually have
high heterogeneity and privacy, while most of users are reluctant to expose
them to the public view. How to manage these time series data in an efficient
and safe way in the field of IIoT is still an open issue, such that it has
attracted extensive attention from academia and industry. As a new machine
learning (ML) paradigm, federated learning (FL) has great advantages in
training heterogeneous and private data. This paper studies the FL technology
applications to manage IIoT equipment data in wireless network environments. In
order to increase the model aggregation rate and reduce communication costs, we
apply deep reinforcement learning (DRL) to IIoT equipment selection process,
specifically to select those IIoT equipment nodes with accurate models.
Therefore, we propose a FL algorithm assisted by DRL, which can take into
account the privacy and efficiency of data training of IIoT equipment. By
analyzing the data characteristics of IIoT equipments, we use MNIST, fashion
MNIST and CIFAR-10 data sets to represent the data generated by IIoT. During
the experiment, we employ the deep neural network (DNN) model to train the
data, and experimental results show that the accuracy can reach more than 97\%,
which corroborates the effectiveness of the proposed algorithm.
- Abstract（参考訳）: 産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
エンドユーザの異なる要件によると、これらのデータは一般的に高い不均一性とプライバシを持ち、ほとんどのユーザは公開ビューに公開することに消極的だ。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法はまだ未解決の問題であり、学術や産業から広く注目を集めている。
新しい機械学習(ML)パラダイムとして、フェデレーションドラーニング(FL)は、異種およびプライベートデータのトレーニングにおいて大きな利点がある。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
モデル集約率を高め,通信コストを削減するため,IIoT機器選択プロセスに深部強化学習(DRL)を適用し,特に正確なモデルでIIoT機器ノードを選択する。
そこで本研究では,IIoT機器のデータトレーニングのプライバシと効率を考慮し,DRLを利用したFLアルゴリズムを提案する。
IIoT機器のデータ特性を解析することにより、MNIST、ファッションMNIST、CIFAR-10データセットを用いて、IIoTが生成したデータを表現する。
実験では,deep neural network (dnn)モデルを用いてデータトレーニングを行い,その精度が97\%以上に達することを示し,提案アルゴリズムの有効性を検証した。
関連論文リスト
- Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching [9.468399367975984]
我々は、JD2P(Joint Data Deepening-and-Prefetching)と呼ばれる新しいオフロードアーキテクチャを提案する。
JD2Pは2つの主要な技術からなる機能ごとのオフロードである。
MNISTデータセットを用いてJD2Pの有効性を評価する。
論文 参考訳（メタデータ） (2024-02-19T08:12:47Z) - An Empirical Study of Efficiency and Privacy of Federated Learning
Algorithms [2.994794762377111]
今日の世界では、IoTネットワークの急速な拡大とスマートデバイスの普及により、相当量の異種データが生成される。
このデータを効果的に扱うためには、プライバシーと効率の両立を保証するために高度なデータ処理技術が必要である。
フェデレーション学習は、モデルをローカルにトレーニングし、データをプライバシを保存するためにサーバに集約する分散学習手法として登場した。
論文 参考訳（メタデータ） (2023-12-24T00:13:41Z) - Data-driven prediction of tool wear using Bayesian-regularized
artificial neural networks [8.21266434543609]
工具摩耗の予測は、製造におけるコストの最小化と製品品質の向上に役立つ。
ベイジアン正規化ニューラルネットワーク(BRANN)を用いて,加工工具の摩耗を正確に予測する新しいデータ駆動モデルを提案する。
論文 参考訳（メタデータ） (2023-11-30T15:22:20Z) - 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) - Device Sampling and Resource Optimization for Federated Learning in Cooperative Edge Networks [17.637761046608]
フェデレーテッド・ラーニング(FedL)は、サーバによって定期的に集約されたローカルモデルをトレーニングすることで、機械学習(ML)をワーカーデバイスに分散させる。
FedLは、同時代の無線ネットワークの2つの重要な特徴を無視している: (i) ネットワークには異種通信/計算資源が含まれており、 (ii) デバイスのローカルデータ分布にかなりの重複がある可能性がある。
デバイス間オフロード(D2D)によって補完されるインテリジェントデバイスサンプリングにより,これらの要因を共同で考慮する新しい最適化手法を開発した。
論文 参考訳（メタデータ） (2023-11-07T21:17:59Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
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) - Data Filtering Networks [67.827994353269]
本研究では、大規模な未処理データセットをフィルタリングする第2ステップにおいて、データフィルタリングネットワーク(DFN)を学習する問題について検討する。
我々の重要な発見は、フィルタリングのためのネットワークの品質が下流タスクのパフォーマンスと異なることである。
我々の知見に基づいて、最先端の画像テキストデータセットを誘導する新しいデータフィルタリングネットワークを構築した。
論文 参考訳（メタデータ） (2023-09-29T17:37:29Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳（メタデータ） (2021-11-26T18:44:59Z)
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。