論文の概要: Mobility, Communication and Computation Aware Federated Learning for
Internet of Vehicles
- arxiv url: http://arxiv.org/abs/2205.09529v1
- Date: Tue, 17 May 2022 19:14:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-21 14:55:57.581639
- Title: Mobility, Communication and Computation Aware Federated Learning for
Internet of Vehicles
- Title(参考訳): 自動車インターネットのためのフェデレーション学習を意識したモビリティ, コミュニケーション, 計算
- Authors: Md Ferdous Pervej, Jianlin Guo, Kyeong Jin Kim, Kieran Parsons, Philip
Orlik, Stefano Di Cairano, Marcel Menner, Karl Berntorp, Yukimasa Nagai, and
Huaiyu Dai
- Abstract要約: 道路車両を学習エージェントとして利用する新しいオンラインFLプラットフォームを提案する。
現代の車両の高度な機能のおかげで、車載センサーは車両が軌道に沿って移動するときにデータを集めることができる。
オンボードプロセッサは、収集されたデータを使用して機械学習モデルをトレーニングすることができる。
- 参考スコア(独自算出の注目度): 29.476152044104005
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While privacy concerns entice connected and automated vehicles to incorporate
on-board federated learning (FL) solutions, an integrated vehicle-to-everything
communication with heterogeneous computation power aware learning platform is
urgently necessary to make it a reality. Motivated by this, we propose a novel
mobility, communication and computation aware online FL platform that uses
on-road vehicles as learning agents. Thanks to the advanced features of modern
vehicles, the on-board sensors can collect data as vehicles travel along their
trajectories, while the on-board processors can train machine learning models
using the collected data. To take the high mobility of vehicles into account,
we consider the delay as a learning parameter and restrict it to be less than a
tolerable threshold. To satisfy this threshold, the central server accepts
partially trained models, the distributed roadside units (a) perform downlink
multicast beamforming to minimize global model distribution delay and (b)
allocate optimal uplink radio resources to minimize local model offloading
delay, and the vehicle agents conduct heterogeneous local model training. Using
real-world vehicle trace datasets, we validate our FL solutions. Simulation
shows that the proposed integrated FL platform is robust and outperforms
baseline models. With reasonable local training episodes, it can effectively
satisfy all constraints and deliver near ground truth multi-horizon velocity
and vehicle-specific power predictions.
- Abstract(参考訳): プライバシーに関する懸念は、車載連合学習(fl)ソリューションを組み込むために、コネクテッドおよびオートマチックな車両を誘引する一方で、異種計算能力認識学習プラットフォームとあらゆるもの間の統合的な車両間通信は、現実化するために緊急に必要である。
そこで我々は,道路上での車両を学習エージェントとして利用する,移動,通信,計算を意識したオンラインFLプラットフォームを提案する。
最新の車両の高度な機能のおかげで、車載センサーは軌道に沿って走行するときにデータを収集し、車載プロセッサは収集したデータを使って機械学習モデルを訓練することができる。
車両の高移動性を考慮した場合,遅延を学習パラメータとして考慮し,許容しきい値以下に制限する。
このしきい値を満たすため、中央サーバは部分的に訓練されたモデル、分散路面ユニットを受け入れる。
(a)グローバルモデル分布遅延を最小化するためにダウンリンクマルチキャストビームフォーミングを行う。
b) 局部モデルオフロード遅延を最小限に抑えるために最適なアップリンク無線資源を割り当て, 車両エージェントは異種局所モデルトレーニングを行う。
現実世界の車両トレースデータセットを使用して、FLソリューションを検証する。
シミュレーションにより,提案する統合型flプラットフォームはロバストであり,ベースラインモデルよりも優れていることが示された。
合理的な局所訓練エピソードでは、全ての制約を効果的に満たし、ほぼ真実に近いマルチ水平速度と車両固有のパワー予測を提供することができる。
関連論文リスト
- VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular
Federated Learning [2.7892067588273513]
本稿では,車載フェデレート学習のための計算スケジューリング協調設計であるVREM-FLを提案する。
提案アルゴリズムは、無線リソース使用のためのトレードモデルトレーニング時間に調整することができる。
VREM-FLは、線形回帰モデル(学習時間を28%削減)と、セマンティックイメージセグメンテーションタスクのためのディープニューラルネットワークの両方のベンチマークより優れている。
論文 参考訳(メタデータ) (2023-11-30T17:38:54Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳(メタデータ) (2023-09-04T21:10:45Z) - Communication Resources Constrained Hierarchical Federated Learning for
End-to-End Autonomous Driving [67.78611905156808]
本稿では,最適化に基づくコミュニケーションリソース制約付き階層型学習フレームワークを提案する。
その結果,提案したCRCHFLは収束速度を加速し,フェデレーション学習自律運転モデルの一般化を促進することがわかった。
論文 参考訳(メタデータ) (2023-06-28T12:44:59Z) - Deep Reinforcement Learning Based Vehicle Selection for Asynchronous
Federated Learning Enabled Vehicular Edge Computing [16.169301221410944]
従来の車両ネットワークでは、車両によって生成される計算タスクは通常、処理のためにクラウドにアップロードされる。
本稿では,車両ネットワークのAFLにおけるグローバルモデルの精度を向上させるために,DRLに基づく車両選択方式を提案する。
シミュレーションの結果,提案手法は悪いノードを効果的に除去し,グローバルモデルの集約精度を向上させることができることを示した。
論文 参考訳(メタデータ) (2023-04-06T02:40:00Z) - MOB-FL: Mobility-Aware Federated Learning for Intelligent Connected
Vehicles [21.615151912285835]
我々は、ニューラルネットワークを協調的かつ分散的に訓練するために、近隣のICVをコーディネートする基地局を考える。
車両の移動性のため、基地局とICV間の接続は短命である。
本稿では,各トレーニングラウンドの時間と局所的なイテレーション回数を最適化し,FL-ICVフレームワークの高速化を提案する。
論文 参考訳(メタデータ) (2022-12-07T08:53:53Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - To Talk or to Work: Delay Efficient Federated Learning over Mobile Edge
Devices [13.318419040823088]
モバイルデバイスは、中央サーバの調整の下で、自身のデータに基づいてモデルをトレーニングするために協力する。
データの中心的な可用性がなければ、計算ノードは収束を達成するためにしばしばモデル更新を伝える必要がある。
本稿では,モデルが収束するために必要な全時間(計算待ち時間と通信待ち時間の両方)と通信ラウンドを削減できる遅延効率FL機構を提案する。
論文 参考訳(メタデータ) (2021-11-01T00:35:32Z) - Unit-Modulus Wireless Federated Learning Via Penalty Alternating
Minimization [64.76619508293966]
Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。
本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-31T08:19:54Z) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-26T14:37:51Z) - Federated Learning in Vehicular Networks [41.89469856322786]
フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。
本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。
データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
論文 参考訳(メタデータ) (2020-06-02T06:32:59Z)
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。