論文の概要: Federated Learning for 5G Base Station Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2211.15220v1
- Date: Mon, 28 Nov 2022 11:03:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 17:01:00.697467
- Title: Federated Learning for 5G Base Station Traffic Forecasting
- Title（参考訳）: 5G基地局交通予測のためのフェデレートラーニング
- Authors: Vasileios Perifanis, Nikolaos Pavlidis, Remous-Aris Koutsiamanis,
Pavlos S. Efraimidis
- Abstract要約: モバイルトラフィック予測は、5Gモバイルネットワークがスマートで効率的なインフラ計画と管理を実現するためのパスにおいて非常に重要である。
従来のアプローチでは、異なる基地局から測定を収集し、それらを中央エンティティに送信する必要がある。
この問題に対処するために,様々な分散学習手法が提案されているが,交通予測への応用はまだ検討されていない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile traffic prediction is of great importance on the path of enabling 5G
mobile networks to perform smart and efficient infrastructure planning and
management. However, available data are limited to base station logging
information. Hence, training methods for generating high-quality predictions
that can generalize to new observations on different parties are in demand.
Traditional approaches require collecting measurements from different base
stations and sending them to a central entity, followed by performing machine
learning operations using the received data. The dissemination of local
observations raises privacy, confidentiality, and performance concerns,
hindering the applicability of machine learning techniques. Various distributed
learning methods have been proposed to address this issue, but their
application to traffic prediction has yet to be explored. In this work, we
study the effectiveness of federated learning applied to raw base station
aggregated LTE data for time-series forecasting. We evaluate one-step
predictions using 5 different neural network architectures trained with a
federated setting on non-iid data. The presented algorithms have been submitted
to the Global Federated Traffic Prediction for 5G and Beyond Challenge. Our
results show that the learning architectures adapted to the federated setting
achieve equivalent prediction error to the centralized setting, pre-processing
techniques on base stations lead to higher forecasting accuracy, while
state-of-the-art aggregators do not outperform simple approaches.
- Abstract（参考訳）: モバイルトラフィック予測は、5gモバイルネットワークがスマートで効率的なインフラ計画と管理を可能にするために非常に重要である。
ただし、利用可能なデータは基地局のログ情報に限られている。
したがって、異なる当事者に対する新たな観察に一般化できる高品質な予測を生成するための訓練方法が求められている。
従来のアプローチでは、異なるベースステーションから測定値を収集し、中央のエンティティに送信し、受信したデータを使用して機械学習操作を実行する必要がある。
ローカルな観察を広めることで、プライバシ、機密性、パフォーマンス上の懸念が高まり、マシンラーニング技術の適用性が損なわれる。
この問題に対処するために,様々な分散学習手法が提案されているが,交通予測への応用はまだ検討されていない。
本研究は, 時系列予測のための原基地局集約LTEデータに適用したフェデレーション学習の有効性について検討する。
非iidデータのフェデレーション設定でトレーニングされた5つの異なるニューラルネットワークアーキテクチャを用いて、ワンステップ予測を評価する。
提示されたアルゴリズムは、5gおよびbeyond challengeのグローバルフェデレーショントラフィック予測に提出された。
その結果,フェデレート設定に適応した学習アーキテクチャは,集中型設定と等価な予測誤差を達成し,ベースステーションでの事前処理技術は高い予測精度をもたらすが,最先端のアグリゲータは単純なアプローチを上回らないことがわかった。
関連論文リスト
- Towards Energy-Aware Federated Traffic Prediction for Cellular Networks [2.360352205004026]
本稿では機械学習モデル(ML)の実現可能性を評価するための新しいサステナビリティ指標を提案する。
スペイン・バルセロナ地区の基地局(BS)からの実測値を用いて,最先端のディープラーニング(DL)アーキテクチャを連邦シナリオで評価した。
以上の結果から,より大きなMLモデルでは性能が著しく向上するが,炭素フットプリントの面では環境への影響が大きいことが示唆された。
論文 参考訳（メタデータ） (2023-09-19T14:28:09Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳（メタデータ） (2023-07-12T16:28:21Z) - Online Spatio-Temporal Correlation-Based Federated Learning for Traffic
Flow Forecasting [11.253575460227127]
本稿では,FLフレームワークにおけるオンライン学習(OL)方式を用いた交通流の予測に関する最初の研究を行う。
次に,オンライン時空間相関に基づくフェデレート学習(FedOSTC)という新しい予測手法を提案する。
論文 参考訳（メタデータ） (2023-02-17T02:37:36Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Local Learning Matters: Rethinking Data Heterogeneity in Federated
Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文 参考訳（メタデータ） (2021-11-28T19:03:39Z) - Communication-Efficient Hierarchical Federated Learning for IoT
Heterogeneous Systems with Imbalanced Data [42.26599494940002]
フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。
本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。
複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
論文 参考訳（メタデータ） (2021-07-14T08:32:39Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳（メタデータ） (2020-03-19T13:07:49Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z) - Federated Learning with Cooperating Devices: A Consensus Approach for
Massive IoT Networks [8.456633924613456]
分散システムにおける機械学習モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。
提案するFLアルゴリズムは,ネットワーク内のデータ操作を行うデバイスとの協調を利用して,完全に分散された(あるいはサーバレス)学習手法を提案する。
このアプローチは、分散接続とコンピューティングを特徴とするネットワークを超えて、5G 内で FL を統合するための基盤となる。
論文 参考訳（メタデータ） (2019-12-27T15:16:04Z)
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。