論文の概要: Federated Learning for 5G Base Station Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2211.15220v2
- Date: Sat, 26 Aug 2023 12:52:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 01:15:30.614544
- 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: 基地局LTEデータに分散学習を適用した時系列予測の有効性について検討した。
この結果から,フェデレートされた設定に適応した学習アーキテクチャは,集中型設定に等価な予測誤差をもたらすことがわかった。
さらに,基地局における前処理技術により予測精度が向上する一方,先進的な統合アグリゲータは単純なアプローチを超越しない。
- 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: Cellular traffic prediction is of great importance on the path of enabling 5G
mobile networks to perform intelligent 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 across diverse parties are in demand.
Traditional approaches require collecting measurements from multiple base
stations, transmitting them to a central entity and conducting machine learning
operations using the acquire data. The dissemination of local observations
raises concerns regarding confidentiality and performance, which impede the
applicability of machine learning techniques. Although various distributed
learning methods have been proposed to address this issue, their application to
traffic prediction remains highly unexplored. In this work, we investigate the
efficacy of federated learning applied to raw base station LTE data for
time-series forecasting. We evaluate one-step predictions using five different
neural network architectures trained with a federated setting on
non-identically distributed data. Our results show that the learning
architectures adapted to the federated setting yield equivalent prediction
error to the centralized setting. In addition, preprocessing techniques on base
stations enhance forecasting accuracy, while advanced federated aggregators do
not surpass simpler approaches. Simulations considering the environmental
impact suggest that federated learning holds the potential for reducing carbon
emissions and energy consumption. Finally, we consider a large-scale scenario
with synthetic data and demonstrate that federated learning reduces the
computational and communication costs compared to centralized settings.
- Abstract（参考訳）: セルラートラフィック予測は、5gモバイルネットワークがインテリジェン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、様々な分野にまたが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、複数の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し、取得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、機密性とパフォーマンスに関する懸念が高まり、機械学習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,そのトラフィック予測への応用は未定である。
本研究では,時系列予測のための生局LTEデータに適用したフェデレーション学習の有効性を検討する。
我々は、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、1段階の予測を評価する。
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,集中型設定に等価な予測誤差を与えることがわかった。
さらに,基地局における前処理技術により予測精度が向上する一方,高度な統合アグリゲータは単純なアプローチを超越しない。
環境影響を考慮したシミュレーションでは、連合学習が二酸化炭素排出量とエネルギー消費を減らす可能性を秘めている。
最後に、合成データを用いた大規模シナリオを考察し、フェデレーション学習が集中的な設定よりも計算と通信のコストを低減させることを示す。
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。