論文の概要: Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP
- arxiv url: http://arxiv.org/abs/2211.09723v1
- Date: Thu, 3 Nov 2022 09:08:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 14:01:01.800055
- Title: Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP
- Title（参考訳）: ハイブリッドマルチパスTCPを用いた公平かつ効率的な分散エッジ学習
- Authors: Shiva Raj Pokhrel, Jinho Choi and Anwar Walid
- Abstract要約: 無線による分散エッジ学習のボトルネックは、コンピューティングから通信へと移行した。
DEL用の既存のTCPベースのデータネットワークスキームは、アプリケーションに依存しず、アプリケーション層要求に応じて調整を施さない。
DELのためのモデルベースと深部強化学習(DRL)に基づくMP TCPを組み合わせたハイブリッドマルチパスTCP(MP TCP)を開発した。
- 参考スコア（独自算出の注目度）: 62.81300791178381
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The bottleneck of distributed edge learning (DEL) over wireless has shifted
from computing to communication, primarily the aggregation-averaging (Agg-Avg)
process of DEL. The existing transmission control protocol (TCP)-based data
networking schemes for DEL are application-agnostic and fail to deliver
adjustments according to application layer requirements. As a result, they
introduce massive excess time and undesired issues such as unfairness and
stragglers. Other prior mitigation solutions have significant limitations as
they balance data flow rates from workers across paths but often incur
imbalanced backlogs when the paths exhibit variance, causing stragglers. To
facilitate a more productive DEL, we develop a hybrid multipath TCP (MPTCP) by
combining model-based and deep reinforcement learning (DRL) based MPTCP for DEL
that strives to realize quicker iteration of DEL and better fairness (by
ameliorating stragglers). Hybrid MPTCP essentially integrates two radical TCP
developments: i) successful existing model-based MPTCP control strategies and
ii) advanced emerging DRL-based techniques, and introduces a novel hybrid MPTCP
data transport for easing the communication of the Agg-Avg process. Extensive
emulation results demonstrate that the proposed hybrid MPTCP can overcome
excess time consumption and ameliorate the application layer unfairness of DEL
effectively without injecting additional inconstancy and stragglers.
- Abstract（参考訳）: 無線による分散エッジ学習(DEL)のボトルネックは、主にDELの集約(Agg-Avg)プロセスであるコンピューティングから通信へと移行した。
DELの既存のトランスミッション制御プロトコル(TCP)ベースのデータネットワークスキームは、アプリケーションに依存しないため、アプリケーション層要求に応じて調整を行うことができない。
その結果、彼らは膨大な過剰な時間と不公平さやストラグラーのような望ましくない問題を導入した。
他の事前緩和ソリューションには、パスをまたいだワーカーからのデータフローレートのバランスをとるという大きな制限があるが、パスがばらつきを示し、ストラグラーを引き起こすと、しばしば不均衡なバックログが発生する。
より生産的なdelを実現するために、モデルベースと深層強化学習(drl)ベースのmptcpを組み合わせることで、delのより迅速なイテレーションと(ストラグラーの改善による)公平性の向上を目指すハイブリッドマルチパスtcp(mptcp)を開発した。
ハイブリッドMPTCPは基本的に2つの急進的なTCP開発を統合する。
i)既存モデルに基づくmptcp制御戦略と成功例
二 新興DRLベースの技術を導入し、Agg-Avgプロセスの通信を緩和するための新しいハイブリッドMPTCPデータトランスポートを導入する。
大規模なエミュレーションの結果,提案したハイブリッドMPTCPは,過剰な時間消費を克服し,DELのアプリケーション層の不公平性を効果的に改善できることを示した。
関連論文リスト
- Event-Triggered Reinforcement Learning Based Joint Resource Allocation for Ultra-Reliable Low-Latency V2X Communications [10.914558012458425]
6G対応車載ネットワークは、安全クリティカルな情報をタイムリーに提供するための低遅延通信(URLLC)を確保するという課題に直面している。
車両間通信システム(V2X)の従来のリソース割り当てスキームは、従来の復号法に基づくアルゴリズムに依存している。
論文 参考訳（メタデータ） (2024-07-18T23:55:07Z) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳（メタデータ） (2023-10-13T21:26:16Z) - Digital Twin Assisted Deep Reinforcement Learning for Online Admission
Control in Sliced Network [19.152875040151976]
この問題に対処するために、ディジタルツイン(DT)高速化DRLソリューションを提案する。
ニューラルネットワークベースのDTは、システムをキューイングするためのカスタマイズされた出力層を備え、教師付き学習を通じてトレーニングされ、DRLモデルのトレーニングフェーズを支援するために使用される。
DT加速DRLは、直接訓練された最先端Q-ラーニングモデルと比較して、リソース利用率を40%以上向上させる。
論文 参考訳（メタデータ） (2023-10-07T09:09:19Z) - Efficient Parallel Split Learning over Resource-constrained Wireless
Edge Networks [44.37047471448793]
本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。
そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。
提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2023-03-26T16:09:48Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Federated Deep Reinforcement Learning for the Distributed Control of
NextG Wireless Networks [16.12495409295754]
次世代(NextG)ネットワークは、拡張現実(AR)やコネクテッド・自律走行車といった、インターネットの触覚を必要とするアプリケーションをサポートすることが期待されている。
データ駆動アプローチは、現在の運用条件に適応するネットワークの能力を改善することができる。
深部RL(DRL)は複雑な環境においても良好な性能を発揮することが示されている。
論文 参考訳（メタデータ） (2021-12-07T03:13:20Z) - Efficient Pressure: Improving efficiency for signalized intersections [24.917612761503996]
交通信号制御(TSC)の問題を解決するために,強化学習(RL)が注目されている。
既存のRLベースの手法は、計算資源の面でコスト効率が良くなく、従来の手法よりも堅牢ではないため、ほとんどデプロイされない。
我々は,RTLに基づくアプローチに基づいて,トレーニングを減らし,複雑さを低減したTSCの適応制御系を構築する方法を示す。
論文 参考訳（メタデータ） (2021-12-04T13:49:58Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-05-25T01:42:55Z)
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。