論文の概要: An Efficient and Reliable Asynchronous Federated Learning Scheme for Smart Public Transportation

• arxiv url: http://arxiv.org/abs/2208.07194v1
• Date: Mon, 15 Aug 2022 13:56:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 15:03:37.736455
• Title: An Efficient and Reliable Asynchronous Federated Learning Scheme for Smart Public Transportation
• Title（参考訳）: スマート公共交通のための効率的で信頼性の高い非同期フェデレーション学習方式
• Authors: Chenhao Xu, Youyang Qu, Tom H. Luan, Peter W. Eklund, Yong Xiang, Longxiang Gao
• Abstract要約: Federated Learning(FL)は、車がクラウドに生データをアップロードすることなく、継続的なモデル更新を受けられる分散機械学習スキームである。 本稿では,動的スケーリング係数(DBAFL)を備えたブロックチェーンベースの非同期フェデレーション学習方式を提案する。 異種デバイスを用いた実験は, DBAFLの学習性能, 効率, 信頼性に優れていた。
• 参考スコア（独自算出の注目度）: 24.8522516507395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine Learning (ML) is a distributed approach for training predictive models on the Internet of Vehicles (IoV) to enable smart public transportation. Since the traffic conditions change over time, the ML model that predicts traffic flows and the time passengers wait at stops must be updated continuously and efficiently. Federated learning (FL) is a distributed machine learning scheme that allows vehicles to receive continuous model updates without having to upload raw data to the cloud and wait for models to be trained. However, FL in smart public transportation is vulnerable to poisoning or DDoS attacks since vehicles travel in public. Besides, due to device heterogeneity and imbalanced data distributions, the synchronized aggregation strategy that collects local models from specific vehicles before aggregation is inefficient. Although Asynchronous Federated Learning (AFL) schemes are developed to improve efficiency by aggregating local models as soon as they are received, the stale local models remain unreasonably weighted, resulting in poor learning performance. To enable smarter public transportation, this paper offers a blockchain-based asynchronous federated learning scheme with a dynamic scaling factor (DBAFL). Specifically, the novel committee-based consensus algorithm for blockchain improves reliability at the lowest possible cost of time. Meanwhile, the devised dynamic scaling factor allows AFL to assign reasonable weight to stale local models. Extensive experiments conducted on heterogeneous devices validate outperformed learning performance, efficiency, and reliability of DBAFL.
• Abstract（参考訳）: 機械学習(ML)は、スマートな公共交通機関を実現するために、Internet of Vehicles(IoV)上で予測モデルをトレーニングするための分散アプローチである。 交通条件は時間とともに変化するため、交通の流れを予測し、乗客が停車する時間を継続的に効率的に更新する必要がある。 フェデレーション学習(federated learning, fl)は、車両がクラウドに生データをアップロードし、モデルのトレーニングを待つことなく、継続的なモデル更新を受信できる分散機械学習スキームである。 しかし、スマート公共交通機関のflは、車両が公共の場で移動するため、毒殺やddos攻撃に弱い。 さらに、デバイスの不均一性と不均衡データ分布のため、集約前に特定の車両から局所モデルを収集する同期集約戦略は非効率である。 AFL(Asynchronous Federated Learning)スキームは、受信したローカルモデルを集約することで効率を向上させるために開発されたが、古いローカルモデルは不合理に重み付けされ、学習性能が低下する。 本稿では,よりスマートな公共交通を実現するために,dbafl(dynamic scaling factor)を用いたブロックチェーンベースの非同期フェデレーション学習方式を提案する。 特に、ブロックチェーンのための委員会ベースのコンセンサスアルゴリズムは、信頼性を可能な限り低いコストで改善する。 一方、考案された動的スケーリング係数により、aflは局所モデルに適度な重みを割り当てることができる。 DBAFLの学習性能, 効率, 信頼性に優れる不均質デバイスに対する実験を行った。

関連論文リスト

• Individualized Federated Learning for Traffic Prediction with Error Driven Aggregation [8.495633193471853]
  フェデレートラーニング(Federated Learning)は、トラフィック予測のための有望なテクニックとして登場した。 現在のFLTPフレームワークにはリアルタイムモデル更新スキームがない。 個人化されたリアルタイム・フェデレーション学習方式であるNeighborFLを提案する。
  論文  参考訳（メタデータ） (2024-07-17T00:42:47Z)
• Adaptive and Parallel Split Federated Learning in Vehicular Edge Computing [6.004901615052089]
  車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムを実現するための有望なパラダイムである。 フェデレートラーニング(Federated Learning, FL)は、コラボレーティブモデルトレーニングとアグリゲーションを促進する基礎技術のひとつである。 ASFV(Adaptive Split Federated Learning scheme for Vehicular Edge Computing) を開発した。
  論文  参考訳（メタデータ） (2024-05-29T02:34:38Z)
• AEDFL: Efficient Asynchronous Decentralized Federated Learning with Heterogeneous Devices [61.66943750584406]
  異種環境におけるAEDFL(Asynchronous Efficient Decentralized FL framework)を提案する。 まず、FL収束を改善するための効率的なモデル集約手法を用いた非同期FLシステムモデルを提案する。 次に,より優れた精度を実現するために,動的安定化を考慮したモデル更新手法を提案する。 第3に,通信コストと計算コストを大幅に削減する適応スパース学習法を提案する。
  論文  参考訳（メタデータ） (2023-12-18T05:18:17Z)
• Communication Resources Constrained Hierarchical Federated Learning for End-to-End Autonomous Driving [67.78611905156808]
  本稿では,最適化に基づくコミュニケーションリソース制約付き階層型学習フレームワークを提案する。 その結果,提案したCRCHFLは収束速度を加速し,フェデレーション学習自律運転モデルの一般化を促進することがわかった。
  論文  参考訳（メタデータ） (2023-06-28T12:44:59Z)
• Deep Reinforcement Learning Based Vehicle Selection for Asynchronous Federated Learning Enabled Vehicular Edge Computing [16.169301221410944]
  従来の車両ネットワークでは、車両によって生成される計算タスクは通常、処理のためにクラウドにアップロードされる。 本稿では,車両ネットワークのAFLにおけるグローバルモデルの精度を向上させるために,DRLに基づく車両選択方式を提案する。 シミュレーションの結果,提案手法は悪いノードを効果的に除去し,グローバルモデルの集約精度を向上させることができることを示した。
  論文  参考訳（メタデータ） (2023-04-06T02:40:00Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks [56.91063444859008]
  Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。 FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。 年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-12-14T17:33:01Z)
• Semi-asynchronous Hierarchical Federated Learning for Cooperative Intelligent Transportation Systems [10.257042901204528]
  コラボレーティブ・インテリジェント・トランスポート・システム(C-ITS)は、自動運転車や道路インフラの安全性、効率性、持続可能性、快適なサービスを提供する有望なネットワークである。 C-ITSのコンポーネントは通常大量のデータを生成するため、データサイエンスを探索することは困難である。 本稿では,C-ITSのためのSemi-a synchronous Federated Learning (SHFL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-18T07:44:34Z)
• Device Scheduling and Update Aggregation Policies for Asynchronous Federated Learning [72.78668894576515]
  Federated Learning (FL)は、新しく登場した分散機械学習(ML)フレームワークである。 本稿では,FLシステムにおけるトラグラー問題を排除するために,周期的なアグリゲーションを伴う非同期FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-23T18:57:08Z)
• Real-time End-to-End Federated Learning: An Automotive Case Study [16.79939549201032]
  本稿では,新しい非同期モデルアグリゲーションプロトコルと組み合わさったリアルタイムエンドツーエンドフェデレーション学習のアプローチを提案する。 その結果,非同期フェデレーション学習は,局所エッジモデルの予測性能を大幅に向上させ,集中型機械学習法と同じ精度に到達できることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T14:16:16Z)
• Fast-Convergent Federated Learning [82.32029953209542]
  フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。 本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T14:37:51Z)

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。