論文の概要: PP-MARL: Efficient Privacy-Preserving MARL for Cooperative Intelligence
in Communication
- arxiv url: http://arxiv.org/abs/2204.12064v1
- Date: Tue, 26 Apr 2022 04:08:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 22:37:07.860624
- Title: PP-MARL: Efficient Privacy-Preserving MARL for Cooperative Intelligence
in Communication
- Title(参考訳): PP-MARL:コミュニケーションにおける協調的知能のための効果的なプライバシー保護型MARL
- Authors: Tingting Yuan, Hwei-Ming Chung, Xiaoming Fu
- Abstract要約: マルチエージェント強化学習(MARL)に基づく効率的なプライバシー保護学習手法PP-MARLを提案する。
本稿では,ドローン支援通信におけるモビリティ管理とエッジインテリジェンスを用いたネットワーク制御の2つのユースケースに適用し,評価する。
- 参考スコア(独自算出の注目度): 18.70947104724304
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) has been introduced in communication networks
and services to improve efficiency via self-optimization. Cooperative
intelligence (CI), also known as collective intelligence and collaborative
intelligence, is expected to become an integral element in next-generation
networks because it can aggregate the capabilities and intelligence of multiple
devices. However, privacy issues may intimidate, obstruct, and hinder the
deployment of CI in practice because collaboration heavily relies on data and
information sharing. Additional practical constraints in communication (e.g.,
limited bandwidth) further limit the performance of CI. To overcome these
challenges, we propose PP-MARL, an efficient privacy-preserving learning scheme
based on multi-agent reinforcement learning (MARL). We apply and evaluate our
scheme in two communication-related use cases: mobility management in
drone-assisted communication and network control with edge intelligence.
Simulation results reveal that the proposed scheme can achieve efficient and
reliable collaboration with 1.1-6 times better privacy protection and lower
overheads (e.g., 84-91% reduction in bandwidth) than state-of-the-art
approaches.
- Abstract(参考訳): 通信ネットワークやサービスにおいて、自己最適化による効率向上のために人工知能(AI)が導入されている。
協調インテリジェンス(CI)は、集合インテリジェンスや協調インテリジェンスとしても知られ、複数のデバイスの能力とインテリジェンスを集約できるため、次世代ネットワークにおいて不可欠な要素になると期待されている。
しかし、コラボレーションはデータと情報共有に大きく依存するため、プライバシ問題はciの展開を阻害し、妨害し、妨げる可能性がある。
通信における追加の実用的な制約(例えば、帯域幅の制限)は、CIの性能をさらに制限する。
これらの課題を克服するために,マルチエージェント強化学習(MARL)に基づく効率的なプライバシー保護学習手法であるPP-MARLを提案する。
本手法は,ドローン支援通信におけるモビリティ管理とエッジインテリジェンスを用いたネットワーク制御の2つの通信関連ユースケースに適用し,評価する。
シミュレーションの結果,提案手法は,プライバシ保護の1.1~6倍,オーバーヘッドの低減(帯域幅の84~91%削減など)により,最先端のアプローチよりも効率的で信頼性の高いコラボレーションを実現することが判明した。
関連論文リスト
- Enhancing Physical Layer Communication Security through Generative AI with Mixture of Experts [80.0638227807621]
生成人工知能(GAI)モデルは、従来のAI手法よりも優れていることを示した。
ゲート機構による予測に複数の専門家モデルを使用するMoEは、可能なソリューションを提案する。
論文 参考訳(メタデータ) (2024-05-07T11:13:17Z) - Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。
動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文 参考訳(メタデータ) (2024-03-11T09:21:11Z) - The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。
本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。
新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
論文 参考訳(メタデータ) (2024-01-03T07:47:22Z) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳(メタデータ) (2023-07-14T04:13:11Z) - Building Cooperative Embodied Agents Modularly with Large Language
Models [104.57849816689559]
本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。
我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。
C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
論文 参考訳(メタデータ) (2023-07-05T17:59:27Z) - Killing Two Birds with One Stone: Quantization Achieves Privacy in
Distributed Learning [18.824571167583432]
コミュニケーション効率とプライバシ保護は、分散機械学習において重要な問題である。
通信効率とプライバシ保護を同時に達成できる包括的量子化ベースのソリューションを提案する。
理論的には、コミュニケーション、プライバシ、学習パフォーマンスの新たなトレードオフを捉えます。
論文 参考訳(メタデータ) (2023-04-26T13:13:04Z) - Privacy-Preserving Joint Edge Association and Power Optimization for the
Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。
提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
論文 参考訳(メタデータ) (2023-01-26T10:09:23Z) - Privacy-Preserving Communication-Efficient Federated Multi-Armed Bandits [17.039484057126337]
通信ボトルネックとデータプライバシは、連邦化された多武装バンディット(MAB)問題において2つの重要な問題である。
このような問題に対して,プライバシ保存型通信効率アルゴリズムを設計し,後悔の観点から,プライバシ,コミュニケーション,学習性能の相互作用について検討する。
論文 参考訳(メタデータ) (2021-11-02T12:56:12Z) - Learning Individually Inferred Communication for Multi-Agent Cooperation [37.56115000150748]
我々はエージェントエージェントがエージェントエージェントコミュニケーションの事前学習を可能にするために、個別推論通信(I2C)を提案する。
先行知識は因果推論によって学習され、フィードフォワードニューラルネットワークによって実現される。
I2Cは通信オーバーヘッドを減らすだけでなく、様々なマルチエージェント協調シナリオのパフォーマンスを向上させることができる。
論文 参考訳(メタデータ) (2020-06-11T14:07:57Z)
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。