論文の概要: FRL-FI: Transient Fault Analysis for Federated Reinforcement
Learning-Based Navigation Systems
- arxiv url: http://arxiv.org/abs/2203.07276v1
- Date: Mon, 14 Mar 2022 16:51:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 17:11:08.788116
- Title: FRL-FI: Transient Fault Analysis for Federated Reinforcement
Learning-Based Navigation Systems
- Title(参考訳): FRL-FI:フェデレーション強化学習に基づくナビゲーションシステムのための過渡的故障解析
- Authors: Zishen Wan, Aqeel Anwar, Abdulrahman Mahmoud, Tianyu Jia, Yu-Shun
Hsiao, Vijay Janapa Reddi, Arijit Raychowdhury
- Abstract要約: Swarmインテリジェンスは、ドローンや無人車両などの自律システムにますますデプロイされている。
連続技術ノードスケーリングによるハードウェアシステムでは,過渡的障害が増加しています。
本稿では,FRLシステムにおいて最大3.3倍のレジリエンス向上と2.7%のオーバヘッドを達成できる2つのコスト効率な故障検出・復旧手法を提案する。
- 参考スコア(独自算出の注目度): 4.9002824669038265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Swarm intelligence is being increasingly deployed in autonomous systems, such
as drones and unmanned vehicles. Federated reinforcement learning (FRL), a key
swarm intelligence paradigm where agents interact with their own environments
and cooperatively learn a consensus policy while preserving privacy, has
recently shown potential advantages and gained popularity. However, transient
faults are increasing in the hardware system with continuous technology node
scaling and can pose threats to FRL systems. Meanwhile, conventional
redundancy-based protection methods are challenging to deploy on
resource-constrained edge applications. In this paper, we experimentally
evaluate the fault tolerance of FRL navigation systems at various scales with
respect to fault models, fault locations, learning algorithms, layer types,
communication intervals, and data types at both training and inference stages.
We further propose two cost-effective fault detection and recovery techniques
that can achieve up to 3.3x improvement in resilience with <2.7% overhead in
FRL systems.
- Abstract(参考訳): Swarmインテリジェンスは、ドローンや無人車両などの自律システムにますますデプロイされている。
フェデレーション強化学習(FRL)は、エージェントが自身の環境と対話し、プライバシーを維持しながら合意ポリシーを協調的に学習する重要な群集知能パラダイムである。
しかし、連続的な技術ノードスケーリングによってハードウェアシステムでは過渡的障害が増加しており、FRLシステムに脅威をもたらす可能性がある。
一方、従来の冗長性に基づく保護手法は、リソース制約のあるエッジアプリケーションへのデプロイが困難である。
本稿では, FRLナビゲーションシステムの耐故障性について, 故障モデル, 故障位置, 学習アルゴリズム, 層型, 通信間隔, およびデータ型について, トレーニングと推論の両方の段階で実験的に評価する。
さらに、FRLシステムの2.7%のオーバーヘッドで最大3.3倍のレジリエンス向上を達成できる2つのコスト効率の良い障害検出と回復技術を提案する。
関連論文リスト
- RIS-empowered Topology Control for Distributed Learning in Urban Air
Mobility [35.04722426910211]
アーバン・エアモビリティ(UAM)は、輸送システムの革命として想定される、地上から地上に近い空間に車両を拡大する。
この課題を克服するために、リソース制限されたデバイスが協調的に深層学習(DL)を行うことを可能にするために、フェデレーション・ラーニング(FL)や他の協調学習が提案されている。
本稿では,分散学習を支援する再構成可能なインテリジェントサーフェス (RIS) について検討する。
論文 参考訳(メタデータ) (2024-03-08T08:05:50Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳(メタデータ) (2024-01-22T14:16:37Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳(メタデータ) (2023-10-16T05:49:28Z) - Personalized Federated Deep Reinforcement Learning-based Trajectory
Optimization for Multi-UAV Assisted Edge Computing [22.09756306579992]
UAVはエッジコンピューティング環境でインテリジェントなサーバとして機能し、通信システムのスループットを最大化するために飛行軌道を最適化する。
深部強化学習(DRL)に基づく軌道最適化アルゴリズムは、複雑な地形特徴と不十分な訓練データにより、訓練性能が低下する可能性がある。
本研究は,マルチUAV軌道最適化のための新しい手法,すなわちパーソナライズされた深部強化学習(PF-DRL)を提案する。
論文 参考訳(メタデータ) (2023-09-05T12:54:40Z) - Improving the generalizability and robustness of large-scale traffic
signal control [3.8028221877086814]
交通信号の制御における深部強化学習(RL)アプローチの堅牢性について検討する。
欠落したデータに対して,近年の手法が脆弱なままであることを示す。
政策アンサンブルによる分散強化学習とバニラ強化学習の組み合わせを提案する。
論文 参考訳(メタデータ) (2023-06-02T21:30:44Z) - GowFed -- A novel Federated Network Intrusion Detection System [0.15469452301122172]
本研究は,Gower Dissimilarity行列とFederated Averagingを併用したネットワーク脅威検出システムであるGowFedを紹介する。
GowFedのアプローチは,(1)バニラバージョン,(2)アテンション機構を備えたバージョンなど,最先端の知識に基づいて開発されている。
全体として、GowFedは、産業レベルのネットワークにおけるネットワーク脅威を検出するためのフェデレートラーニングとガウワーの相違行列の併用に向けた最初の一歩となる。
論文 参考訳(メタデータ) (2022-10-28T23:53:37Z) - FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge
Computing Migrations [55.131858975133085]
FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。
ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。
FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
論文 参考訳(メタデータ) (2022-09-28T19:49:39Z) - Differentially Private Federated Learning via Reconfigurable Intelligent
Surface [27.004823731436765]
フェデレートラーニング(FL)は、分散化されたローカルデータセットを共有せずに、グローバルモデルの協調トレーニングを可能にする。
本稿では,学習精度とプライバシのジレンマを軽減するために,再構成可能インテリジェントサーフェス (RIS) を用いたオーバー・ザ・エア FLシステムを提案する。
論文 参考訳(メタデータ) (2022-03-31T13:45:02Z) - 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) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳(メタデータ) (2021-05-10T08:02:27Z) - Enhanced Adversarial Strategically-Timed Attacks against Deep
Reinforcement Learning [91.13113161754022]
本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。
実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
論文 参考訳(メタデータ) (2020-02-20T21:39:25Z)
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。