論文の概要: FiFo: Fishbone Forwarding in Massive IoT Networks
- arxiv url: http://arxiv.org/abs/2211.01213v1
- Date: Wed, 2 Nov 2022 15:55:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 15:02:32.610425
- Title: FiFo: Fishbone Forwarding in Massive IoT Networks
- Title(参考訳): FiFo: 大規模IoTネットワークにおける魚骨転送
- Authors: Hayoung Seong, Junseon Kim, Won-Yong Shin, Howon Lee
- Abstract要約: 大規模なIoT(Internet of Things)ネットワークには,緊急メッセージや災害メッセージの迅速な配信を含む,幅広いアプリケーションがある。
ベンチマークアルゴリズムは、このようなアプリケーションでメッセージ配信を行うために、これまで開発されてきたが、いくつかの実践的な課題がある。
本研究では,魚骨フォワード法 (FiFo) を提案する。
- 参考スコア(独自算出の注目度): 3.7813000491275233
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Massive Internet of Things (IoT) networks have a wide range of applications,
including but not limited to the rapid delivery of emergency and disaster
messages. Although various benchmark algorithms have been developed to date for
message delivery in such applications, they pose several practical challenges
such as insufficient network coverage and/or highly redundant transmissions to
expand the coverage area, resulting in considerable energy consumption for each
IoT device. To overcome this problem, we first characterize a new performance
metric, forwarding efficiency, which is defined as the ratio of the coverage
probability to the average number of transmissions per device, to evaluate the
data dissemination performance more appropriately. Then, we propose a novel and
effective forwarding method, fishbone forwarding (FiFo), which aims to improve
the forwarding efficiency with acceptable computational complexity. Our FiFo
method completes two tasks: 1) it clusters devices based on the unweighted pair
group method with the arithmetic average; and 2) it creates the main axis and
sub axes of each cluster using both the expectation-maximization algorithm for
the Gaussian mixture model and principal component analysis. We demonstrate the
superiority of FiFo by using a real-world dataset. Through intensive and
comprehensive simulations, we show that the proposed FiFo method outperforms
benchmark algorithms in terms of the forwarding efficiency.
- Abstract(参考訳): 大規模なIoT(Internet of Things)ネットワークには,緊急メッセージや災害メッセージの迅速な配信を含む,幅広いアプリケーションがある。
このようなアプリケーションでは、メッセージ配信のための様々なベンチマークアルゴリズムが開発されているが、ネットワークカバレッジの不足や、カバレッジ領域を拡大するための高冗長な送信など、いくつかの実践的な課題が生じる。
この問題を克服するために,まず,データ伝達性能をより適切に評価するために,デバイス毎の平均伝送数に対するカバレッジ確率の比率として定義されるフォワーディング効率という新しい性能指標を特徴付ける。
そこで本研究では, 計算複雑性を許容し, フォワード効率を向上させることを目的とした, 新規かつ効果的なフォワード法であるfishbone forwarding (fifo) を提案する。
私たちのFiFoメソッドは2つのタスクを完了します。
1)非重み付きペアグループ法に基づくデバイスを演算平均でクラスタリングし、
2) ガウス混合モデルに対する期待最大化アルゴリズムと主成分分析の両方を用いて,各クラスタの主軸および副軸を生成する。
実世界のデータセットを用いてFiFoの優位性を示す。
集中的かつ総合的なシミュレーションにより,提案手法がフォワーディング効率の点でベンチマークアルゴリズムよりも優れていることを示す。
関連論文リスト
- Device Sampling and Resource Optimization for Federated Learning in Cooperative Edge Networks [17.637761046608]
フェデレーテッド・ラーニング(FedL)は、サーバによって定期的に集約されたローカルモデルをトレーニングすることで、機械学習(ML)をワーカーデバイスに分散させる。
FedLは、同時代の無線ネットワークの2つの重要な特徴を無視している: (i) ネットワークには異種通信/計算資源が含まれており、 (ii) デバイスのローカルデータ分布にかなりの重複がある可能性がある。
デバイス間オフロード(D2D)によって補完されるインテリジェントデバイスサンプリングにより,これらの要因を共同で考慮する新しい最適化手法を開発した。
論文 参考訳(メタデータ) (2023-11-07T21:17:59Z) - 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) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳(メタデータ) (2023-09-16T11:37:23Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳(メタデータ) (2023-09-12T13:03:47Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-08-04T04:18:01Z) - Multi-Flow Transmission in Wireless Interference Networks: A Convergent
Graph Learning Approach [9.852567834643292]
ネットワークデータ信号の2段階干渉対応マルチフロー最適化(DIAMOND)という新しいアルゴリズムを提案する。
集中型ステージは、グラフニューラルネットワーク(GNN)強化学習(RL)ルーティングエージェントの新しい設計を用いて、マルチフロー伝送戦略を計算する。
そして、分散学習更新の新しい設計に基づいて、分散ステージにより性能が向上する。
論文 参考訳(メタデータ) (2023-03-27T18:49:47Z) - 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) - Device Sampling for Heterogeneous Federated Learning: Theory,
Algorithms, and Implementation [24.084053136210027]
グラフシーケンシャル畳み込みネットワーク(GCN)に基づくサンプリング手法を開発した。
提案手法は,全機器の5%以下をサンプリングしながら,訓練されたモデル精度と必要なリソース利用の両面で,fedl(federated learning)を実質的に上回っている。
論文 参考訳(メタデータ) (2021-01-04T05:59:50Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳(メタデータ) (2021-01-02T15:21:08Z) - Federated Matrix Factorization: Algorithm Design and Application to Data
Clustering [18.917444528804463]
データプライバシに関する近年の要求は、大規模で異種ネットワークにおける新たな分散学習パラダイムとして、フェデレートラーニング(FL)を提唱している。
我々は,モデル平均化と勾配共有原理に基づく2つの新しいFedMFアルゴリズム,すなわちFedMAvgとFedMGSを提案する。
論文 参考訳(メタデータ) (2020-02-12T11:48:54Z)
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。