論文の概要: MOB-FL: Mobility-Aware Federated Learning for Intelligent Connected
Vehicles
- arxiv url: http://arxiv.org/abs/2212.03519v1
- Date: Wed, 7 Dec 2022 08:53:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 16:32:28.037022
- Title: MOB-FL: Mobility-Aware Federated Learning for Intelligent Connected
Vehicles
- Title(参考訳): mob-fl:インテリジェントコネクテッドカーのためのモビリティアウェアフェデレーション学習
- Authors: Bowen Xie, Yuxuan Sun, Sheng Zhou, Zhisheng Niu, Yang Xu, Jingran
Chen, Deniz G\"und\"uz
- Abstract要約: 我々は、ニューラルネットワークを協調的かつ分散的に訓練するために、近隣のICVをコーディネートする基地局を考える。
車両の移動性のため、基地局とICV間の接続は短命である。
本稿では,各トレーニングラウンドの時間と局所的なイテレーション回数を最適化し,FL-ICVフレームワークの高速化を提案する。
- 参考スコア(独自算出の注目度): 21.615151912285835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) is a promising approach to enable the future Internet
of vehicles consisting of intelligent connected vehicles (ICVs) with powerful
sensing, computing and communication capabilities. We consider a base station
(BS) coordinating nearby ICVs to train a neural network in a collaborative yet
distributed manner, in order to limit data traffic and privacy leakage.
However, due to the mobility of vehicles, the connections between the BS and
ICVs are short-lived, which affects the resource utilization of ICVs, and thus,
the convergence speed of the training process. In this paper, we propose an
accelerated FL-ICV framework, by optimizing the duration of each training round
and the number of local iterations, for better convergence performance of FL.
We propose a mobility-aware optimization algorithm called MOB-FL, which aims at
maximizing the resource utilization of ICVs under short-lived wireless
connections, so as to increase the convergence speed. Simulation results based
on the beam selection and the trajectory prediction tasks verify the
effectiveness of the proposed solution.
- Abstract(参考訳): フェデレートラーニング(FL)は、インテリジェントコネクテッドカー(ICV)と強力なセンシング、コンピューティング、通信機能を備えた未来の車両のインターネットを実現するための有望なアプローチである。
データトラフィックとプライバシリークを制限するため、近隣のICVをコーディネートしてニューラルネットワークを協調的かつ分散的にトレーニングする基地局(BS)について検討する。
しかし、車両の移動性のため、BSとICVの接続は短命であり、ISVの資源利用に影響し、トレーニングプロセスの収束速度が向上する。
本稿では,FLの収束性能を向上させるため,各トレーニングラウンドの時間と局所反復回数を最適化し,高速化されたFL-ICVフレームワークを提案する。
短寿命無線接続下でのICVの資源利用を最大化し,収束速度を向上させることを目的としたモビリティ対応最適化アルゴリズムMOB-FLを提案する。
ビーム選択および軌道予測タスクに基づくシミュレーション結果は,提案手法の有効性を検証した。
関連論文リスト
- VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular
Federated Learning [2.7892067588273513]
本稿では,車載フェデレート学習のための計算スケジューリング協調設計であるVREM-FLを提案する。
提案アルゴリズムは、無線リソース使用のためのトレードモデルトレーニング時間に調整することができる。
VREM-FLは、線形回帰モデル(学習時間を28%削減)と、セマンティックイメージセグメンテーションタスクのためのディープニューラルネットワークの両方のベンチマークより優れている。
論文 参考訳(メタデータ) (2023-11-30T17:38:54Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-26T08:13:22Z) - Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated
Split Learning [56.125720497163684]
無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。
ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
論文 参考訳(メタデータ) (2022-09-02T10:29:56Z) - CFLIT: Coexisting Federated Learning and Information Transfer [18.30671838758503]
本研究では,モバイルエッジネットワークにおける無線放送と従来型情報伝達(IT)の共存性について検討する。
FLとITデバイスがOFDMシステムで無線スペクトルを共有するCFLIT(Commanded Learning and Information Transfer)通信フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-26T13:17:28Z) - Mobility, Communication and Computation Aware Federated Learning for
Internet of Vehicles [29.476152044104005]
道路車両を学習エージェントとして利用する新しいオンラインFLプラットフォームを提案する。
現代の車両の高度な機能のおかげで、車載センサーは車両が軌道に沿って移動するときにデータを集めることができる。
オンボードプロセッサは、収集されたデータを使用して機械学習モデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-05-17T19:14:38Z) - 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 Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳(メタデータ) (2021-10-22T13:25:57Z) - Semi-asynchronous Hierarchical Federated Learning for Cooperative
Intelligent Transportation Systems [10.257042901204528]
コラボレーティブ・インテリジェント・トランスポート・システム(C-ITS)は、自動運転車や道路インフラの安全性、効率性、持続可能性、快適なサービスを提供する有望なネットワークである。
C-ITSのコンポーネントは通常大量のデータを生成するため、データサイエンスを探索することは困難である。
本稿では,C-ITSのためのSemi-a synchronous Federated Learning (SHFL) フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-18T07:44:34Z) - Federated Learning on the Road: Autonomous Controller Design for
Connected and Autonomous Vehicles [109.71532364079711]
CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案
CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。
最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
論文 参考訳(メタデータ) (2021-02-05T19:57:47Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Optimal Beam Association for High Mobility mmWave Vehicular Networks:
Lightweight Parallel Reinforcement Learning Approach [34.71313117637721]
我々は、高モビリティ下でのmmWave車両ネットワークのための最適ビームアソシエーションフレームワークを開発した。
半マルコフ決定プロセスを用いて環境の力学と不確実性を捉える。
提案手法は,データレートを47%向上し,他の解に比べて解離確率を29%低減できる。
論文 参考訳(メタデータ) (2020-05-02T04:05:25Z)
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。