Fugu-MT 論文翻訳(概要): Interference Management for Over-the-Air Federated Learning in Multi-Cell Wireless Networks

論文の概要: Interference Management for Over-the-Air Federated Learning in Multi-Cell Wireless Networks

arxiv url: http://arxiv.org/abs/2206.02398v1
Date: Mon, 6 Jun 2022 07:13:54 GMT
ステータス: 処理完了
システム内更新日: 2022-06-07 18:29:21.800892
Title: Interference Management for Over-the-Air Federated Learning in Multi-Cell Wireless Networks
Title（参考訳）: マルチセル無線ネットワークにおける過空フェデレーション学習のための干渉管理
Authors: Zhibin Wang, Yong Zhou, Yuanming Shi, Weihua Zhuang
Abstract要約: 近年,資源制約のある無線ネットワーク上でのフェデレートラーニング(FL)が注目されている。既存の研究の多くは、単一セル無線ネットワークにおけるFLタスクを1つ考慮し、ダウンリンク/アップリンク相互干渉が学習性能に与える影響を無視している。本稿では,各セルが異なるFLタスクを実行するマルチセル無線ネットワーク上でFLを調査し,高速なアップリンク勾配集約を実現するためにAirComp(Over-the-air Compute)を採用する。
参考スコア（独自算出の注目度）: 33.89187306498058
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning (FL) over resource-constrained wireless networks has recently attracted much attention. However, most existing studies consider one FL task in single-cell wireless networks and ignore the impact of downlink/uplink inter-cell interference on the learning performance. In this paper, we investigate FL over a multi-cell wireless network, where each cell performs a different FL task and over-the-air computation (AirComp) is adopted to enable fast uplink gradient aggregation. We conduct convergence analysis of AirComp-assisted FL systems, taking into account the inter-cell interference in both the downlink and uplink model/gradient transmissions, which reveals that the distorted model/gradient exchanges induce a gap to hinder the convergence of FL. We characterize the Pareto boundary of the error-induced gap region to quantify the learning performance trade-off among different FL tasks, based on which we formulate an optimization problem to minimize the sum of error-induced gaps in all cells. To tackle the coupling between the downlink and uplink transmissions as well as the coupling among multiple cells, we propose a cooperative multi-cell FL optimization framework to achieve efficient interference management for downlink and uplink transmission design. Results demonstrate that our proposed algorithm achieves much better average learning performance over multiple cells than non-cooperative baseline schemes.
Abstract（参考訳）: 資源制約付き無線ネットワークによるフェデレーション学習(fl)が最近注目を集めている。しかし,既存の研究の多くは単一セル無線ネットワークにおけるFLタスクを考慮し,ダウンリンク/アップリンク相互干渉が学習性能に与える影響を無視している。本稿では,各セルが異なるFLタスクを実行するマルチセル無線ネットワーク上でFLを調査し,高速なアップリンク勾配集約を実現するためにエアコン(AirComp)を採用した。本研究では,エアコン支援FLシステムの収束解析を行い,ダウンリンクモデル/アップリンクモデル/グラディエント伝送のセル間干渉を考慮し,歪んだモデル/グラディエント交換器がFLの収束を妨げるギャップを生じさせることを示した。誤差誘起ギャップ領域のパレート境界を特徴付け、異なるflタスク間の学習性能トレードオフを定量化し、各セルにおける誤差誘起ギャップの和を最小化する最適化問題を定式化する。ダウンリンク・アップリンク・トランスミッション間の結合と複数セル間の結合に取り組むため,ダウンリンク・アップリンク・トランスミッション設計の効率的な干渉管理を実現するための協調型マルチセルfl最適化フレームワークを提案する。その結果,提案アルゴリズムは,非協調的ベースライン方式よりも,複数のセル上での平均学習性能が向上することを示した。

関連論文リスト

Over-the-Air Federated Learning in Cell-Free MIMO with Long-term Power Constraint [30.901857389202462]
オーバー・ザ・エア・フェデレート・ラーニング(Over-the-Air Federated Learning)は、人工知能をサポートする無線ネットワークのための重要なアプリケーションである。我々は,Lyapunov最適化を用いてラウンド間の長期制約を分離するMOP-LOFPCアルゴリズムを提案する。実験結果から, MOP-LOFPCは, モデルのトレーニング損失と長期電力制約への固執との間に, より優れた, より柔軟なトレードオフを実現することが示された。
論文参考訳（メタデータ） (2024-10-07T13:44:49Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
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)
CFLIT: Coexisting Federated Learning and Information Transfer [18.30671838758503]
本研究では,モバイルエッジネットワークにおける無線放送と従来型情報伝達(IT)の共存性について検討する。 FLとITデバイスがOFDMシステムで無線スペクトルを共有するCFLIT(Commanded Learning and Information Transfer)通信フレームワークを提案する。
論文参考訳（メタデータ） (2022-07-26T13:17:28Z)
Resource Allocation for Compression-aided Federated Learning with High Distortion Rate [3.7530276852356645]
我々は、歪み率、参加IoTデバイス数、収束率の間の最適化支援FL問題を定式化する。参加するIoTデバイスを積極的に制御することにより、通信効率を維持しながら圧縮支援FLのトレーニングばらつきを回避することができる。
論文参考訳（メタデータ） (2022-06-02T05:00:37Z)
Over-the-Air Multi-Task Federated Learning Over MIMO Interference Channel [17.362158131772127]
We study over-the-air multi-task FL (OA-MTFL) over the multiple-input multiple-output (MIMO) interference channel。そこで本研究では,各デバイスに局所勾配をアライメントするモデルアグリゲーション手法を提案する。新たなモデルアグリゲーション手法を用いることで,デバイス選択はもはや我々の計画に必須ではないことを示す。
論文参考訳（メタデータ） (2021-12-27T10:42:04Z)
Over-the-Air Federated Learning with Retransmissions (Extended Version) [21.37147806100865]
資源制約のある無線ネットワーク上でのフェデレート学習(FL)の収束に対する推定誤差の影響について検討する。資源制約のある無線ネットワーク上でFL収束を改善する手法として再送信を提案する。
論文参考訳（メタデータ） (2021-11-19T15:17:15Z)
Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。無線システム上での高速応答および高精度FLスキームの検証が重要である。提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文参考訳（メタデータ） (2021-10-22T13:25:57Z)
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)
Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文参考訳（メタデータ） (2021-06-20T13:51:18Z)
Delay Minimization for Federated Learning Over Wireless Communication Networks [172.42768672943365]
無線通信ネットワーク上でのフェデレーション学習(FL)における遅延計算の問題について検討した。最適解を得るために,二項探索アルゴリズムを提案する。シミュレーションの結果,提案アルゴリズムは従来のFL法と比較して最大27.3%遅延を低減できることがわかった。
論文参考訳（メタデータ） (2020-07-05T19:00:07Z)

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。