論文の概要: A Practical Cross-Device Federated Learning Framework over 5G Networks

• arxiv url: http://arxiv.org/abs/2204.08134v1
• Date: Mon, 18 Apr 2022 02:31:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 17:02:19.771758
• Title: A Practical Cross-Device Federated Learning Framework over 5G Networks
• Title（参考訳）: 5Gネットワーク上での実践的クロスデバイスフェデレーション学習フレームワーク
• Authors: Wenti Yang, Naiyu Wang, Zhitao Guan, Longfei Wu, Xiaojiang Du, Mohsen Guizani
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 47.72735882790756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The concept of federated learning (FL) was first proposed by Google in 2016. Thereafter, FL has been widely studied for the feasibility of application in various fields due to its potential to make full use of data without compromising the privacy. However, limited by the capacity of wireless data transmission, the employment of federated learning on mobile devices has been making slow progress in practical. The development and commercialization of the 5th generation (5G) mobile networks has shed some light on this. In this paper, we analyze the challenges of existing federated learning schemes for mobile devices and propose a novel cross-device federated learning framework, which utilizes the anonymous communication technology and ring signature to protect the privacy of participants while reducing the computation overhead of mobile devices participating in FL. In addition, our scheme implements a contribution-based incentive mechanism to encourage mobile users to participate in FL. We also give a case study of autonomous driving. Finally, we present the performance evaluation of the proposed scheme and discuss some open issues in federated learning.
• Abstract（参考訳）: 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。 その後、flはプライバシを損なうことなくデータをフル活用できる可能性から、様々な分野での応用可能性について広く研究されている。 しかし、無線データ伝送の能力に制限され、モバイルデバイス上でのフェデレーション学習の活用は、実践的にも緩やかに進んでいる。 第5世代(5g)モバイルネットワークの開発と商用化は、これに光を当てている。 本稿では,モバイルデバイスにおける既存のフェデレーション学習方式の課題を分析し,匿名通信技術とリングシグネチャを用いて,flに参加するモバイルデバイスの計算オーバーヘッドを低減しつつ,参加者のプライバシを保護する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。 また,モバイルユーザがflに参加することを奨励する貢献に基づくインセンティブ機構も実装している。 自動運転車のケーススタディも提供します。 最後に,提案手法の性能評価を行い,連合学習におけるオープンな課題について考察する。

関連論文リスト

• Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• Towards Energy Efficient Distributed Federated Learning for 6G Networks [9.386341375741225]
  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。
  論文  参考訳（メタデータ） (2022-01-19T06:37:57Z)
• Edge-Native Intelligence for 6G Communications Driven by Federated Learning: A Survey of Trends and Challenges [14.008159759350264]
  FL(Federated Learning)と呼ばれる新しい技術は、無線ネットワークの端に機械学習をもたらすために生まれた。 FLは、データプライバシを損なうことなく汎用MLモデルを開発するために、参加するクライアントの分散データセットとコンピューティングリソースの両方を活用する。 本調査の目的は,鍵となる無線技術におけるFL応用の現状を概観することである。
  論文  参考訳（メタデータ） (2021-11-14T17:13:34Z)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)
• 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)
• Lightwave Power Transfer for Federated Learning-based Wireless Networks [34.434349833489954]
  フェデレートラーニング(FL)は、分散した方法で共有機械学習モデルをトレーニングするための新しいテクニックとして最近紹介されている。 無線ネットワークにFLを実装することで、エネルギー制約のあるモバイルデバイスの寿命を大幅に短縮することができる。 本稿では,FLベースの無線ネットワークにおける光波電力伝送の適用に基づく物理層への新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-11T16:27:17Z)

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。