論文の概要: FedMint: Intelligent Bilateral Client Selection in Federated Learning
with Newcomer IoT Devices
- arxiv url: http://arxiv.org/abs/2211.01805v1
- Date: Mon, 31 Oct 2022 12:48:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 14:44:47.844094
- Title: FedMint: Intelligent Bilateral Client Selection in Federated Learning
with Newcomer IoT Devices
- Title（参考訳）: FedMint: 新しいIoTデバイスによるフェデレーション学習におけるインテリジェントな双方向クライアント選択
- Authors: Osama Wehbi, Sarhad Arisdakessian, Omar Abdel Wahab, Hadi Otrok, Safa
Otoum, Azzam Mourad, Mohsen Guizani
- Abstract要約: フェデレートラーニング(Federated Learning)は、分散プライバシ保護学習パラダイムである。
機械学習モデルのトレーニングのために、いくつかの参加者(IoTデバイスなど)のコラボレーションを可能にする。
ゲーム理論とブートストラップ機構を用いたIoTデバイス上でのフェデレーション学習のためのインテリジェントクライアント選択手法であるFedMintを提案する。
- 参考スコア（独自算出の注目度）: 33.4117184364721
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Federated Learning (FL) is a novel distributed privacy-preserving learning
paradigm, which enables the collaboration among several participants (e.g.,
Internet of Things devices) for the training of machine learning models.
However, selecting the participants that would contribute to this collaborative
training is highly challenging. Adopting a random selection strategy would
entail substantial problems due to the heterogeneity in terms of data quality,
and computational and communication resources across the participants. Although
several approaches have been proposed in the literature to overcome the problem
of random selection, most of these approaches follow a unilateral selection
strategy. In fact, they base their selection strategy on only the federated
server's side, while overlooking the interests of the client devices in the
process. To overcome this problem, we present in this paper FedMint, an
intelligent client selection approach for federated learning on IoT devices
using game theory and bootstrapping mechanism. Our solution involves the design
of: (1) preference functions for the client IoT devices and federated servers
to allow them to rank each other according to several factors such as accuracy
and price, (2) intelligent matching algorithms that take into account the
preferences of both parties in their design, and (3) bootstrapping technique
that capitalizes on the collaboration of multiple federated servers in order to
assign initial accuracy value for the newly connected IoT devices. Based on our
simulation findings, our strategy surpasses the VanillaFL selection approach in
terms of maximizing both the revenues of the client devices and accuracy of the
global federated learning model.
- Abstract（参考訳）: フェデレーション学習(federated learning、fl)は、マシンラーニングモデルのトレーニングのために複数の参加者(iotデバイスなど)とのコラボレーションを可能にする、新しい分散プライバシ保存学習パラダイムである。
しかし、この共同トレーニングに寄与する参加者の選定は極めて困難である。
ランダム選択戦略を採用すると、データ品質の異質性や、参加者間の計算と通信のリソースといった問題が発生する。
ランダム選択の問題を克服するいくつかのアプローチが文献に提案されているが、これらのアプローチのほとんどは一方的な選択戦略に従っている。
実際、彼らはその選択戦略をフェデレーションされたサーバ側のみに基礎を置き、プロセスにおけるクライアントデバイスの関心を軽視している。
本論文では,ゲーム理論とブートストラップ機構を用いたIoTデバイス上でのフェデレーション学習のためのインテリジェントクライアント選択手法であるFedMintについて述べる。
本ソリューションでは,(1) クライアントIoTデバイスとフェデレートされたサーバのプライオリティ関数を用いて,精度と価格などのいくつかの要因に応じて相互にランク付けする,(2) 設計における双方の好みを考慮したインテリジェントマッチングアルゴリズム,(3) 新たに接続されたIoTデバイスの初期精度値を割り当てるために,複数のフェデレートされたサーバのコラボレーションを生かしたブートストラップ手法を設計する。
シミュレーションの結果から,我々は,クライアント機器の収益とグローバルフェデレーション学習モデルの正確性の両方を最大化するという点で,vanillafl選択アプローチを超越した。
関連論文リスト
- SPAM: Stochastic Proximal Point Method with Momentum Variance Reduction for Non-convex Cross-Device Federated Learning [48.072207894076556]
デバイス間のトレーニングは、クライアントの数が何十億にも達する、学習のサブフィールドです。
標準アプローチとローカルメソッドは、デバイス間の類似性と同じくらい重要な問題になりがちである。
当社の手法は,同種のデータを持つクライアントの客観的かつ実証的なメリットを必要としない,この種の最初の手法である。
論文 参考訳（メタデータ） (2024-05-30T15:07:30Z) - Ranking-based Client Selection with Imitation Learning for Efficient Federated Learning [20.412469498888292]
フェデレートラーニング(FL)は、複数のデバイスが共同で共有モデルをトレーニングすることを可能にする。
各トレーニングラウンドにおける参加デバイスの選択は、モデル性能とトレーニング効率の両方に重大な影響を及ぼす。
我々は、エンドツーエンドのランキングベースのアプローチであるFedRankという新しいデバイス選択ソリューションを導入する。
論文 参考訳（メタデータ） (2024-05-07T08:44:29Z) - A Comprehensive Survey On Client Selections in Federated Learning [3.438094543455187]
トレーニングプロセスに参加するクライアントの選択は、システム全体のパフォーマンスにとって重要な要素である。
フェデレートラーニングにおける最先端クライアント選択技術の概要について概説する。
論文 参考訳（メタデータ） (2023-11-12T10:40:43Z) - Optimizing Server-side Aggregation For Robust Federated Learning via
Subspace Training [80.03567604524268]
クライアント間の非IIDデータ分散と中毒攻撃は、現実世界のフェデレーション学習システムにおける2つの大きな課題である。
サーバ側集約プロセスを最適化する汎用的なアプローチであるSmartFLを提案する。
本稿では,SmartFLの収束と一般化能力に関する理論的解析を行う。
論文 参考訳（メタデータ） (2022-11-10T13:20:56Z) - Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated
Learning via Class-Imbalance Reduction [76.26710990597498]
本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。
我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。
特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
論文 参考訳（メタデータ） (2022-09-30T05:42:56Z) - Straggler-Resilient Personalized Federated Learning [55.54344312542944]
フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。
これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。
提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
論文 参考訳（メタデータ） (2022-06-05T01:14:46Z) - Client Selection in Federated Learning based on Gradients Importance [5.263296985310379]
フェデレートラーニング(FL)は、複数のデバイスが個人データを共有せずにグローバルモデルを協調的に学習することを可能にする。
本稿では,勾配規範の重要性に基づいて,デバイス選択戦略を検討・設計する。
論文 参考訳（メタデータ） (2021-11-19T11:53:23Z) - Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A
Stackelberg Game Approach [54.28419430315478]
Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。
MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。
そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
論文 参考訳（メタデータ） (2021-09-25T17:27:48Z) - SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT
Systems [15.796325306292134]
フェデレートラーニング(FL)は、データプライバシを維持しながら、エッジデバイス上で共有モデルの協調トレーニングを可能にする。
様々なパーソナライズされたアプローチが提案されているが、そのようなアプローチはデータ分散の根底にある変化に対処できない。
本稿では,ブロックチェーンとフェデレーション学習に基づく動的に最適化された個人深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-03-12T02:57:05Z) - Toward Multiple Federated Learning Services Resource Sharing in Mobile
Edge Networks [88.15736037284408]
本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。
共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。
シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
論文 参考訳（メタデータ） (2020-11-25T01:29:41Z)
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。