論文の概要: Latency Optimization for Blockchain-Empowered Federated Learning in
Multi-Server Edge Computing
- arxiv url: http://arxiv.org/abs/2203.09670v1
- Date: Fri, 18 Mar 2022 00:38:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 04:41:27.877953
- Title: Latency Optimization for Blockchain-Empowered Federated Learning in
Multi-Server Edge Computing
- Title(参考訳): マルチサーバエッジコンピューティングにおけるブロックチェーンによるフェデレート学習のためのレイテンシ最適化
- Authors: Dinh C. Nguyen, Seyyedali Hosseinalipour, David J. Love, Pubudu N.
Pathirana, Christopher G. Brinton
- Abstract要約: 本稿では,マルチサーバエッジコンピューティングにおけるフェデレーション学習(BFL)のための新しいレイテンシ最適化問題について検討する。
このシステムモデルでは、分散モバイルデバイス(MD)がエッジサーバ(ES)と通信し、機械学習(ML)モデルのトレーニングとブロックマイニングの両方を同時に処理する。
- 参考スコア(独自算出の注目度): 24.505675843652448
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we study a new latency optimization problem for
Blockchain-based federated learning (BFL) in multi-server edge computing. In
this system model, distributed mobile devices (MDs) communicate with a set of
edge servers (ESs) to handle both machine learning (ML) model training and
block mining simultaneously. To assist the ML model training for
resource-constrained MDs, we develop an offloading strategy that enables MDs to
transmit their data to one of the associated ESs. We then propose a new
decentralized ML model aggregation solution at the edge layer based on a
consensus mechanism to build a global ML model via peer-to-peer (P2P)-based
Blockchain communications. We then formulate latency-aware BFL as an
optimization aiming to minimize the system latency via joint consideration of
the data offloading decisions, MDs' transmit power, channel bandwidth
allocation for MDs' data offloading, MDs' computational allocation, and hash
power allocation. To address the mixed action space of discrete offloading and
continuous allocation variables, we propose a novel deep reinforcement learning
scheme with a holistic design of a parameterized advantage actor critic (A2C)
algorithm. Additionally, we theoretically characterize the convergence
properties of the proposed BFL system in terms of the aggregation delay,
mini-batch size, and number of P2P communication rounds. Our subsequent
numerical evaluation demonstrates the superior performance of our proposed
scheme over existing approaches in terms of model training efficiency,
convergence rate, and system latency.
- Abstract(参考訳): 本稿では,マルチサーバエッジコンピューティングにおけるブロックチェーンベースフェデレーション学習(bfl)のための新しいレイテンシ最適化問題について検討する。
このシステムモデルでは、分散モバイルデバイス(mds)は一連のエッジサーバ(ess)と通信し、機械学習(ml)モデルのトレーニングとブロックマイニングの両方を同時に処理する。
資源制約されたMDのMLモデルトレーニングを支援するため,MDが関連するESにデータを送信できるオフロード戦略を開発した。
次に、ピアツーピア(P2P)ベースのブロックチェーン通信によるグローバルMLモデルを構築するためのコンセンサス機構に基づいて、エッジ層に新たな分散MLモデル集約ソリューションを提案する。
次に、データオフロード決定、mdsの送信電力、mdsのデータオフロードのためのチャネル帯域割り当て、mdsの計算割り当て、ハッシュパワー割り当てを共同で考慮し、システムのレイテンシを最小化するための最適化として遅延対応bflを定式化する。
離散オフロードと連続アロケーション変数の混合作用空間に対処するために,パラメータ化アドバンストアクタ評論家(A2C)アルゴリズムの全体設計による新しい深層強化学習手法を提案する。
さらに,提案するbflシステムの収束特性を,集約遅延,ミニバッチサイズ,p2p通信ラウンド数の観点から理論的に特徴づける。
その後の数値評価では,モデル学習効率,収束率,システム遅延の観点から既存手法よりも優れた性能を示す。
関連論文リスト
- Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳(メタデータ) (2024-11-04T17:48:02Z) - A Blockchain-empowered Multi-Aggregator Federated Learning Architecture
in Edge Computing with Deep Reinforcement Learning Optimization [8.082460100928358]
フェデレーテッド・ラーニング(FL)は、機械学習アーキテクチャの追求の結果として登場した。
ネットワークインフラの進歩により、FLはエッジコンピューティングにシームレスに統合された。
ブロックチェーン技術はセキュリティを強化することを約束するが、リソース制約のあるエッジデバイスへの実践的なデプロイは依然として課題だ。
論文 参考訳(メタデータ) (2023-10-14T20:47:30Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳(メタデータ) (2023-10-04T03:32:39Z) - Asynchronous Multi-Model Dynamic Federated Learning over Wireless
Networks: Theory, Modeling, and Optimization [20.741776617129208]
分散機械学習(ML)の鍵となる技術として、フェデレートラーニング(FL)が登場した。
まず、システムパラメータが学習性能に与える影響を捉えるために、長方形のスケジューリングステップと関数を定式化する。
我々の分析は、デバイストレーニング変数と非同期スケジューリング決定の協調的影響に光を当てている。
論文 参考訳(メタデータ) (2023-05-22T21:39:38Z) - Efficient Parallel Split Learning over Resource-constrained Wireless
Edge Networks [44.37047471448793]
本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。
そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。
提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2023-03-26T16:09:48Z) - Scheduling and Aggregation Design for Asynchronous Federated Learning
over Wireless Networks [56.91063444859008]
Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。
FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。
年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
論文 参考訳(メタデータ) (2022-12-14T17:33:01Z) - Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated
Split Learning [56.125720497163684]
無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。
ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
論文 参考訳(メタデータ) (2022-09-02T10:29:56Z) - Scheduling Policy and Power Allocation for Federated Learning in NOMA
Based MEC [21.267954799102874]
Federated Learning(FL)は、データ分散を維持しながらモデルを集中的にトレーニングできる、高度に追求された機械学習技術である。
重み付き和データレートを最大化するために、非直交多重アクセス(NOMA)設定を用いた新しいスケジューリングポリシーと電力割当方式を提案する。
シミュレーションの結果,提案手法は,NOMAベースの無線ネットワークにおいて高いFLテスト精度を実現するのに有効であることがわかった。
論文 参考訳(メタデータ) (2020-06-21T23:07:41Z) - Resource Management for Blockchain-enabled Federated Learning: A Deep
Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。
BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。
我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文 参考訳(メタデータ) (2020-04-08T16:29:19Z) - Joint Parameter-and-Bandwidth Allocation for Improving the Efficiency of
Partitioned Edge Learning [73.82875010696849]
機械学習アルゴリズムは、人工知能(AI)モデルをトレーニングするために、ネットワークエッジにデプロイされる。
本稿では,パラメータ(計算負荷)割り当てと帯域幅割り当ての新しい共同設計に焦点を当てる。
論文 参考訳(メタデータ) (2020-03-10T05:52:15Z)
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。