論文の概要: Low-Latency Cooperative Spectrum Sensing via Truncated Vertical Federated Learning

• arxiv url: http://arxiv.org/abs/2208.03694v1
• Date: Sun, 7 Aug 2022 10:39:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 14:30:50.281715
• Title: Low-Latency Cooperative Spectrum Sensing via Truncated Vertical Federated Learning
• Title（参考訳）: 直交垂直フェデレーション学習による低レイテンシ協調スペクトルセンシング
• Authors: Zezhong Zhang, Guangxu Zhu, Shuguang Cui
• Abstract要約: データプライバシを損なうことなく、複数のセカンダリユーザ(SU)にまたがる分散機能を活用できる垂直連合学習(VFL)フレームワークを提案する。 学習プロセスの高速化を目的として,T-VFL(Truncated vertical Federated Learning)アルゴリズムを提案する。 T-VFLの収束性能は、数学的解析によって提供され、シミュレーション結果によって正当化される。
• 参考スコア（独自算出の注目度）: 51.51440623636274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the exponential increase in the demand of wireless data transmission rises the urgency for accurate spectrum sensing approaches to improve spectrum efficiency. The unreliability of conventional spectrum sensing methods by using measurements from a single secondary user (SU) has motivated research on cooperative spectrum sensing (CSS). In this work, we propose a vertical federated learning (VFL) framework to exploit the distributed features across multiple SUs without compromising data privacy. However, the repetitive training process in VFL faces the issue of high communication latency. To accelerate the training process, we propose a truncated vertical federated learning (T-VFL) algorithm, where the training latency is highly reduced by integrating the standard VFL algorithm with a channel-aware user scheduling policy. The convergence performance of T-VFL is provided via mathematical analysis and justified by simulation results. Moreover, to guarantee the convergence performance of the T-VFL algorithm, we conclude three design rules on the neural architectures used under the VFL framework, whose effectiveness is proved through simulations.
• Abstract（参考訳）: 近年、無線データ伝送需要の指数関数的な増加は、スペクトル効率を改善するための正確なスペクトル検出アプローチの緊急性を高めている。 単一二次ユーザ(SU)からの測定による従来のスペクトルセンシング手法の信頼性の低下は,協調スペクトルセンシング(CSS)の研究の動機となった。 本研究では,データプライバシを損なうことなく,複数のsusにまたがる分散機能を活用できる垂直フェデレーション学習(vfl)フレームワークを提案する。 しかし、VFLにおける繰り返しトレーニングプロセスは、通信遅延の増大に直面している。 トレーニングプロセスの高速化を目的として,標準のVFLアルゴリズムとチャネル認識型ユーザスケジューリングポリシを統合することで,トレーニングの遅延を著しく低減する,truncated vertical Federated Learning (T-VFL)アルゴリズムを提案する。 t-vflの収束性能は数学的解析により提供され、シミュレーション結果によって正当化される。 さらに、t-vflアルゴリズムの収束性能を保証するため、vflフレームワークで使用されるニューラルネットワークの設計規則を3つ定式化し、その効果をシミュレーションにより証明した。

関連論文リスト

• Online Vertical Federated Learning for Cooperative Spectrum Sensing [8.081617656116139]
  オンライン垂直連合学習(OVFL)は、進行中のデータストリームと学習目標のシフトの課題に対処するために設計されている。 OVFLは、サブ線形後悔境界を達成し、それによって効率を低下させる。
  論文  参考訳（メタデータ） (2023-12-18T17:19:53Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• Gradient Sparsification for Efficient Wireless Federated Learning with Differential Privacy [25.763777765222358]
  フェデレートラーニング(FL)により、分散クライアントは、生データを互いに共有することなく、機械学習モデルを協調的にトレーニングできる。 モデルのサイズが大きくなるにつれて、送信帯域の制限によるトレーニングのレイテンシが低下し、個人情報が劣化すると同時に、差分プライバシ(DP)保護を使用する。 我々は、収束性能を犠牲にすることなく、トレーニング効率を向上させるために、FLフレームワーク無線チャネルのスペース化を提案する。
  論文  参考訳（メタデータ） (2023-04-09T05:21:15Z)
• Towards Communication-efficient Vertical Federated Learning Training via Cache-enabled Local Updates [25.85564668511386]
  CELU-VFLは,新しい,効率的な垂直学習フレームワークである。 CELU-VFLは、ローカル更新技術を利用して、サードパーティ間の通信ラウンドを減らす。 CELU-VFLは既存の作業の最大6倍高速であることを示す。
  論文  参考訳（メタデータ） (2022-07-29T12:10:36Z)
• Time-triggered Federated Learning over Wireless Networks [48.389824560183776]
  無線ネットワーク上での時系列FLアルゴリズム(TT-Fed)を提案する。 提案したTT-Fedアルゴリズムは, それぞれ最大12.5%, 5%の収束試験精度を向上する。
  論文  参考訳（メタデータ） (2022-04-26T16:37:29Z)
• AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization [159.75564904944707]
  垂直連合学習(VFL)のための非同期準ニュートン(AsySQN)フレームワークを提案する。 提案アルゴリズムは、逆ヘッセン行列を明示的に計算することなく、近似して降下ステップをスケールする。 本稿では,非同期計算を採用することにより,計算資源の有効利用が期待できることを示す。
  論文  参考訳（メタデータ） (2021-09-26T07:56:10Z)
• Bayesian Federated Learning over Wireless Networks [87.37301441859925]
  フェデレーションラーニングは、ローカルデバイスに保存された異種データセットを使用したプライバシー保護と分散トレーニング方法です。 本稿では、スケーラブルBFL (SBFL) と呼ばれる効率的な修正BFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-31T07:32:44Z)
• 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。