論文の概要: A Survey on Participant Selection for Federated Learning in Mobile Networks

• arxiv url: http://arxiv.org/abs/2207.03681v1
• Date: Fri, 8 Jul 2022 04:22:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 09:23:00.319760
• Title: A Survey on Participant Selection for Federated Learning in Mobile Networks
• Title（参考訳）: モバイルネットワークにおけるフェデレーション学習の参加者選択に関する調査
• Authors: Behnaz Soltani, Venus Haghighi, Adnan Mahmood, Quan Z. Sheng, Lina Yao
• Abstract要約: Federated Learning(FL)は、プライベートデータセットをプライバシ保護の方法で使用する、効率的な分散機械学習パラダイムである。 モバイルネットワークにおける通信帯域が限られており、不安定なデバイスが利用できるため、各ラウンドで選択できる端末はごくわずかである。
• 参考スコア（独自算出の注目度）: 47.88372677863646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) is an efficient distributed machine learning paradigm that employs private datasets in a privacy-preserving manner. The main challenges of FL is that end devices usually possess various computation and communication capabilities and their training data are not independent and identically distributed (non-IID). Due to limited communication bandwidth and unstable availability of such devices in a mobile network, only a fraction of end devices (also referred to as the participants or clients in a FL process) can be selected in each round. Hence, it is of paramount importance to utilize an efficient participant selection scheme to maximize the performance of FL including final model accuracy and training time. In this paper, we provide a review of participant selection techniques for FL. First, we introduce FL and highlight the main challenges during participant selection. Then, we review the existing studies and categorize them based on their solutions. Finally, we provide some future directions on participant selection for FL based on our analysis of the state-of-the-art in this topic area.
• Abstract（参考訳）: Federated Learning(FL)は、プライベートデータセットをプライバシ保護の方法で使用する、効率的な分散機械学習パラダイムである。 flの主な課題は、エンドデバイスは様々な計算能力と通信能力を持ち、トレーニングデータは独立ではなく、同じ分散(非iid)である。 通信帯域が限られており、モバイルネットワークにおけるそのようなデバイスの可用性が不安定であるため、ラウンド毎に少数のエンドデバイス(flプロセスでは参加者またはクライアントとも呼ばれる)しか選択できない。 したがって、最終モデル精度とトレーニング時間を含むFLの性能を最大化するために、効率的な受入選択方式を利用することが最重要となる。 本稿では,FLの参加者選択手法について概説する。 まず、FLを導入し、参加者選択時の主な課題を強調します。 次に,既存の研究を概観し,そのソリューションに基づいて分類する。 最後に,本稿のトピック領域における最先端の分析に基づいて,flの参加者選択に関する今後の方向性について述べる。

関連論文リスト

• FLIPS: Federated Learning using Intelligent Participant Selection [4.395908640091141]
  FLIPSクラスタは、データアプリオリのラベル分布に基づいてFLトレーニングジョブに関与し、FLトレーニング中に、選択した参加者に各クラスタが公平に表現されることを保証する。 FLIPSはコンバージェンスを大幅に改善し,20～60%の通信コストで17～20%の精度を実現し,トラグラー参加者の存在下での持続性を示した。
  論文  参考訳（メタデータ） (2023-08-07T20:28:22Z)
• Ed-Fed: A generic federated learning framework with resource-aware client selection for edge devices [0.6875312133832078]
  フェデレートラーニング(FL)は、エッジデバイスが協調して統一予測モデルを作成するための顕著な方法として進化してきた。 FLアルゴリズムのシミュレーションには多くの研究フレームワークがあるが、音声認識タスクの包括的な展開は容易ではない。 そこでEd-Fed氏は、将来の実用的FLシステム研究の基礎として、包括的で汎用的なFLフレームワークを紹介した。
  論文  参考訳（メタデータ） (2023-07-14T07:19:20Z)
• DPP-based Client Selection for Federated Learning with Non-IID Data [97.1195165400568]
  本稿では,統合学習(FL)のコミュニケーションボトルネックに対処するクライアント選択(CS)手法を提案する。 まず、FLにおけるCSの効果を分析し、各学習ラウンドにおけるトレーニングデータセットの多様化に参加者を適切に選択することで、FLトレーニングを加速させることができることを示す。 我々は、データプロファイリングと決定点プロセス(DPP)サンプリング技術を活用し、DPPに基づく参加者選択(FL-DP$3$S)によるフェデレートラーニング(Federated Learning)と呼ばれるアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-03-30T13:14:54Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Cross-Silo Federated Learning: Challenges and Opportunities [30.351077030186104]
  フェデレートラーニング(FL)は、データを分散してプライベートにしながら、複数のクライアントからマシンラーニングモデルのトレーニングを可能にする。 参加するクライアントとモデルトレーニングスケールに基づいて、フェデレートされた学習は、2つのタイプに分類される: クロスデバイスFL: クライアントが通常モバイルデバイスであり、クライアント番号が数百万の規模に達することができるクロスデバイスFL; クロスサイロFL: クライアントが組織や企業であり、クライアント数が通常小さい(例えば100人以内)。
  論文  参考訳（メタデータ） (2022-06-26T19:49:41Z)
• FLAME: Federated Learning Across Multi-device Environments [9.810211000961647]
  Federated Learning (FL)は、マシンラーニングモデルの分散トレーニングを可能にし、ユーザデバイス上の個人情報をプライベートに保持する。 ユーザ中心のFLAME学習手法であるFLAMEを提案する。 その結果,FLAMEはF-1スコアが4.8～33.8%,エネルギー効率が1.02～2.86倍,収束速度が2.02倍に向上した。
  論文  参考訳（メタデータ） (2022-02-17T22:23:56Z)
• An Incentive Mechanism for Federated Learning in Wireless Cellular network: An Auction Approach [75.08185720590748]
  Federated Learning(FL)は、機械学習の分散問題に対処できる分散学習フレームワークである。 本稿では,1つの基地局(BS)と複数のモバイルユーザを含むFLシステムについて考察する。 我々は,BSとモバイルユーザの間のインセンティブメカニズムを,BSが競売業者であり,モバイルユーザが売り手であるオークションゲームとして定式化する。
  論文  参考訳（メタデータ） (2020-09-22T01:50:39Z)
• 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)
• Prophet: Proactive Candidate-Selection for Federated Learning by Predicting the Qualities of Training and Reporting Phases [66.01459702625064]
  5Gネットワークでは、トレーニングレイテンシは依然としてフェデレートラーニング(FL)が広く採用されるのを防ぐ障害である。 大きなレイテンシをもたらす最も基本的な問題の1つは、FLの悪い候補選択である。 本稿では,FLの有効候補選択について検討する。
  論文  参考訳（メタデータ） (2020-02-03T06:40:04Z)

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。