論文の概要: Balancing Accuracy and Integrity for Reconfigurable Intelligent Surface-aided Over-the-Air Federated Learning

• arxiv url: http://arxiv.org/abs/2207.08057v1
• Date: Sun, 17 Jul 2022 02:41:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 19:10:38.078128
• Title: Balancing Accuracy and Integrity for Reconfigurable Intelligent Surface-aided Over-the-Air Federated Learning
• Title（参考訳）: 再構成可能な知的表面支援型オーバーザ・エアフェデレーション学習の精度と整合性のバランス
• Authors: Jingheng Zheng, Hui Tian, Wanli Ni, Wei Ni, and Ping Zhang
• Abstract要約: オーバー・ザ・エア・フェデレーション・ラーニング(AirFL)は、デバイスが学習モデルを並列にトレーニングし、オン・ザ・エア計算を使用してローカルモデルを同期することを可能にする。 エアフラックスの完全性は、上空に集約された局所モデルの不明瞭さのために脆弱である。 本稿では,AirFLの精度と整合性のバランスをとるための新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 23.42059477413009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over-the-air federated learning (AirFL) allows devices to train a learning model in parallel and synchronize their local models using over-the-air computation. The integrity of AirFL is vulnerable due to the obscurity of the local models aggregated over-the-air. This paper presents a novel framework to balance the accuracy and integrity of AirFL, where multi-antenna devices and base station (BS) are jointly optimized with a reconfigurable intelligent surface (RIS). The key contributions include a new and non-trivial problem jointly considering the model accuracy and integrity of AirFL, and a new framework that transforms the problem into tractable subproblems. Under perfect channel state information (CSI), the new framework minimizes the aggregated model's distortion and retains the local models' recoverability by optimizing the transmit beamformers of the devices, the receive beamformers of the BS, and the RIS configuration in an alternating manner. Under imperfect CSI, the new framework delivers a robust design of the beamformers and RIS configuration to combat non-negligible channel estimation errors. As corroborated experimentally, the novel framework can achieve comparable accuracy to the ideal FL while preserving local model recoverability under perfect CSI, and improve the accuracy when the number of receive antennas is small or moderate under imperfect CSI.
• Abstract（参考訳）: オーバー・ザ・エア・フェデレーション・ラーニング(airfl)は、デバイスが学習モデルを並行して訓練し、オーバー・ザ・エア計算を用いてローカルモデルを同期することができる。 airflの完全性は、上空に集約されたローカルモデルが不正確であるため脆弱である。 本稿では,マルチアンテナデバイスとベースステーション(BS)を再構成可能なインテリジェント表面(RIS)で協調的に最適化する,AirFLの精度と整合性のバランスをとるための新しい枠組みを提案する。 重要な貢献には、airflのモデルの正確性と整合性を共同で考慮した新しいかつ非自明な問題と、問題を扱いやすい部分問題に変換する新しいフレームワークが含まれる。 完全チャネル状態情報(CSI)の下では、BSの受信ビームフォーマ、RIS構成を交互に最適化することにより、集約モデルの歪みを最小限に抑え、局所モデルの回復性を維持する。 不完全なCSIの下で、新しいフレームワークはビームフォーマとRIS構成の堅牢な設計を提供し、非無視のチャネル推定エラーに対処する。 実験により、完全CSI下で局所モデル復元性を維持しつつ、理想的なFLに匹敵する精度を達成でき、不完全なCSI下で受信アンテナの数が小さい場合や中程度の場合の精度を向上させることができる。

関連論文リスト

• Data-Agnostic Model Poisoning against Federated Learning: A Graph Autoencoder Approach [65.2993866461477]
  本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。 この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。 実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
  論文  参考訳（メタデータ） (2023-11-30T12:19:10Z)
• 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)
• 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)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Digital Twin-Aided Learning for Managing Reconfigurable Intelligent Surface-Assisted, Uplink, User-Centric Cell-Free Systems [34.81029978058933]
  本稿では、デジタルツイン(DT)の助けを借りて、新しい、再構成可能なインテリジェントサーフェス(RIS)支援、アップリンク、ユーザ中心のセルフリー(UCCF)システムを提案する。 具体的には、アクセスポイントとユーザアソシエーション(AUA)、電力制御、RISビームフォーミングを共同で最適化することで、総和率を最大化する新しい学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-10T06:14:47Z)
• Differentially Private Federated Learning via Reconfigurable Intelligent Surface [27.004823731436765]
  フェデレートラーニング(FL)は、分散化されたローカルデータセットを共有せずに、グローバルモデルの協調トレーニングを可能にする。 本稿では,学習精度とプライバシのジレンマを軽減するために,再構成可能インテリジェントサーフェス (RIS) を用いたオーバー・ザ・エア FLシステムを提案する。
  論文  参考訳（メタデータ） (2022-03-31T13:45:02Z)
• 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)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)
• Reconfigurable Intelligent Surface Enabled Federated Learning: A Unified Communication-Learning Design Approach [30.1988598440727]
  我々は,デバイス選択,無線トランシーバ設計,RIS構成を協調的に最適化する統一的なコミュニケーション学習最適化問題を開発した。 数値実験により,提案手法は最先端の手法と比較して,学習精度が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-11-20T08:54:13Z)

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。