論文の概要: Age of Information in Federated Learning over Wireless Networks
- arxiv url: http://arxiv.org/abs/2209.06623v1
- Date: Wed, 14 Sep 2022 13:20:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 13:43:51.656625
- Title: Age of Information in Federated Learning over Wireless Networks
- Title(参考訳): 無線ネットワークを用いた連合学習における情報化時代
- Authors: Kaidi Wang, Yi Ma, Mahdi Boloursaz Mashhadi, Chuan Heng Foh, Rahim
Tafazolli and Zhi Ding
- Abstract要約: 各通信ラウンドでは、装置のサブセットが選択され、限られた時間とエネルギーでアグリゲーションに参加する。
収束時間を最小化するために、Stackelbergゲームベースのフレームワークでは、グローバルな損失とレイテンシが共同で検討されている。
- 参考スコア(独自算出の注目度): 58.98720501937935
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, federated learning (FL) over wireless networks is
investigated. In each communication round, a subset of devices is selected to
participate in the aggregation with limited time and energy. In order to
minimize the convergence time, global loss and latency are jointly considered
in a Stackelberg game based framework. Specifically, age of information (AoI)
based device selection is considered at leader-level as a global loss
minimization problem, while sub-channel assignment, computational resource
allocation, and power allocation are considered at follower-level as a latency
minimization problem. By dividing the follower-level problem into two
sub-problems, the best response of the follower is obtained by a monotonic
optimization based resource allocation algorithm and a matching based
sub-channel assignment algorithm. By deriving the upper bound of convergence
rate, the leader-level problem is reformulated, and then a list based device
selection algorithm is proposed to achieve Stackelberg equilibrium. Simulation
results indicate that the proposed device selection scheme outperforms other
schemes in terms of the global loss, and the developed algorithms can
significantly decrease the time consumption of computation and communication.
- Abstract(参考訳): 本稿では,無線ネットワーク上でのフェデレーション学習(fl)について検討する。
各通信ラウンドでは、装置のサブセットが選択され、限られた時間とエネルギーでアグリゲーションに参加する。
収束時間を最小化するために、グローバルロスとレイテンシをstackelbergゲームベースのフレームワークで共同で検討する。
具体的には,情報化時代(aoi)に基づくデバイス選択を,グローバル損失最小化問題としてリーダレベル,サブチャネル割り当て,計算資源割り当て,電力割り当てを,レイテンシ最小化問題としてフォロワーレベルとする。
従者レベルの問題を2つのサブ問題に分割することにより、一調最適化に基づくリソース割当アルゴリズムとマッチングベースのサブチャネル割当アルゴリズムにより、従者のベストレスポンスを得る。
収束率の上限を導出することにより、リーダーレベルの問題を再構成し、スタックルバーグ平衡を達成するためにリストベースのデバイス選択アルゴリズムを提案する。
シミュレーションの結果,提案手法はグローバルな損失の点で他の手法よりも優れており,開発したアルゴリズムは計算と通信の時間消費を大幅に削減できることがわかった。
関連論文リスト
- Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳(メタデータ) (2022-11-01T14:16:05Z) - 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) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳(メタデータ) (2022-04-20T19:09:52Z) - Over-the-Air Federated Learning via Second-Order Optimization [37.594140209854906]
フェデレートラーニング(FL)は、無線ネットワーク上でのタスク指向のデータトラフィックを、限られた無線リソースによって引き起こす可能性がある。
本稿では,通信ラウンドを同時に削減し,低レイテンシなグローバルモデルアグリゲーションを実現するために,空対2次フェデレーション最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-03-29T12:39:23Z) - Resource-constrained Federated Edge Learning with Heterogeneous Data:
Formulation and Analysis [8.863089484787835]
ヘテロジニアスデータによる不均一な統計的課題を解決するために, 分散されたニュートン型ニュートン型トレーニングスキームであるFedOVAを提案する。
FedOVAはマルチクラス分類問題をより単純なバイナリ分類問題に分解し、アンサンブル学習を用いてそれぞれの出力を結合する。
論文 参考訳(メタデータ) (2021-10-14T17:35:24Z) - DESTRESS: Computation-Optimal and Communication-Efficient Decentralized
Nonconvex Finite-Sum Optimization [43.31016937305845]
インターネット・オブ・シング、ネットワークセンシング、自律システム、有限サム最適化のための分散アルゴリズムのためのフェデレーション学習。
非有限サム最適化のためのDecentralized STochastic Recursive MethodDESTRESSを開発した。
詳細な理論的および数値的な比較は、DESTRESSが事前の分散アルゴリズムにより改善されていることを示している。
論文 参考訳(メタデータ) (2021-10-04T03:17:41Z) - Federated learning with class imbalance reduction [24.044750119251308]
フェデレートラーニング(Federated Learning, FL)は、多数のエッジコンピューティングデバイスが協調してグローバルラーニングモデルをトレーニングすることを可能にする技術である。
プライバシー上の懸念から、デバイス上の生データは集中型サーバでは利用できない。
本稿では,生データを意識せずにクラス分布を明らかにするための推定手法を提案する。
論文 参考訳(メタデータ) (2020-11-23T08:13:43Z) - Joint Device Scheduling and Resource Allocation for Latency Constrained
Wireless Federated Learning [26.813145949399427]
FL(Federated Learning)では、デバイスがローカルモデルの更新を無線チャネル経由でアップロードする。
モデル精度を最大化するために,共同装置スケジューリングと資源配分ポリシーを提案する。
実験の結果,提案手法は最先端のスケジューリング方式よりも優れていた。
論文 参考訳(メタデータ) (2020-07-14T16:46:47Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳(メタデータ) (2020-01-22T08:51:05Z)
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。