論文の概要: UAV-Aided Multi-Community Federated Learning

• arxiv url: http://arxiv.org/abs/2206.02043v1
• Date: Sat, 4 Jun 2022 19:00:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-11 14:42:18.355901
• Title: UAV-Aided Multi-Community Federated Learning
• Title（参考訳）: UAV支援多言語連携学習
• Authors: Mohamad Mestoukirdi, Omid Esrafilian, David Gesbert, Qianrui Li
• Abstract要約: 連邦学習(FL)における無人航空機(UAV)のオンライン軌道設計の問題点について検討する。 この環境では、各コミュニティに属する空間分布デバイスが、UAVが提供する無線リンクを介して、コミュニティモデルのトレーニングに協力的に貢献する。 異なるタスクのトレーニングパフォーマンスのプロキシとしてメトリクスを提案する。
• 参考スコア（独自算出の注目度）: 19.795430742525532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we investigate the problem of an online trajectory design for an Unmanned Aerial Vehicle (UAV) in a Federated Learning (FL) setting where several different communities exist, each defined by a unique task to be learned. In this setting, spatially distributed devices belonging to each community collaboratively contribute towards training their community model via wireless links provided by the UAV. Accordingly, the UAV acts as a mobile orchestrator coordinating the transmissions and the learning schedule among the devices in each community, intending to accelerate the learning process of all tasks. We propose a heuristic metric as a proxy for the training performance of the different tasks. Capitalizing on this metric, a surrogate objective is defined which enables us to jointly optimize the UAV trajectory and the scheduling of the devices by employing convex optimization techniques and graph theory. The simulations illustrate the out-performance of our solution when compared to other handpicked static and mobile UAV deployment baselines.
• Abstract（参考訳）: 本研究では,複数の異なるコミュニティが存在する連合学習(fl)環境において,無人航空機(uav)のオンライン軌道設計の問題点について検討する。 この環境では、各コミュニティに属する空間分布デバイスが、UAVが提供する無線リンクを介して、コミュニティモデルのトレーニングに協力的に貢献する。 したがって、uavは、各コミュニティ内のデバイス間の送信と学習スケジュールを調整し、すべてのタスクの学習プロセスを加速するモバイルオーケストレータとして機能する。 異なるタスクのトレーニングパフォーマンスの指標として,ヒューリスティックメトリックを提案する。 この指標に基づき、凸最適化技術とグラフ理論を用いることで、UAV軌道と機器のスケジューリングを協調的に最適化できる代理目的を定義する。 シミュレーションでは、他の手作業による静的およびモバイルなUAVデプロイメントベースラインと比較して、ソリューションのアウトパフォーマンスが示されている。

関連論文リスト

• UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
  本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。 ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
  論文  参考訳（メタデータ） (2024-04-11T03:19:22Z)
• Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
  無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。 本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T12:36:08Z)
• Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
  無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。 本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:14:13Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• Model-aided Federated Reinforcement Learning for Multi-UAV Trajectory Planning in IoT Networks [17.770665737751372]
  本稿では,データ収集ミッションにおいて,環境に関する限られた知識しか持たない複数のUAVを協調するモデル支援フェデレーションMARLアルゴリズムを提案する。 標準的なMARLアルゴリズムとの比較により,提案したモデル支援型FedQMIXアルゴリズムは実世界のトレーニング経験を約3倍削減することを示した。
  論文  参考訳（メタデータ） (2023-06-03T07:16:17Z)
• DL-DRL: A double-level deep reinforcement learning approach for large-scale task scheduling of multi-UAV [65.07776277630228]
  分割・征服フレームワーク(DCF)に基づく二重レベル深層強化学習(DL-DRL)手法を提案する。 特に,上層部DRLモデルにおけるエンコーダ・デコーダ構成ポリシネットワークを設計し,タスクを異なるUAVに割り当てる。 また、低レベルDRLモデルにおける別の注意に基づくポリシーネットワークを利用して、各UAVの経路を構築し、実行されたタスク数を最大化する。
  論文  参考訳（メタデータ） (2022-08-04T04:35:53Z)
• UAV-assisted Online Machine Learning over Multi-Tiered Networks: A Hierarchical Nested Personalized Federated Learning Approach [25.936914508952086]
  地理的分散デバイスクラスタのための無人航空機(UAV)による分散機械学習(ML)を検討する。 i)リーダー,ワーカー,コーディネータによるUAVスワーミング,(ii)階層型ネスト型パーソナライズド・フェデレーション・ラーニング(HN-PFL),(iii)UAVのローカル計算機能を用いた分散MLのための協調的UAVリソースプール,の5つの新しい技術/技術を提案する。
  論文  参考訳（メタデータ） (2021-06-29T21:40:28Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)
• Privacy-Preserving Federated Learning for UAV-Enabled Networks: Learning-Based Joint Scheduling and Resource Management [45.15174235000158]
  無人航空機(UAV)は、データ収集、人工知能(AI)モデルトレーニング、無線通信をサポートする飛行基地局(BS)として機能する。 モデルトレーニングのためにUAVサーバにデバイスの生データを送信するのは現実的ではない。 本稿では,マルチUAV対応ネットワークのための非同期フェデレーション学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-11-28T18:58:34Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。