論文の概要: Characterization of the Global Bias Problem in Aerial Federated Learning

• arxiv url: http://arxiv.org/abs/2212.14360v1
• Date: Thu, 29 Dec 2022 16:19:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 17:32:08.738125
• Title: Characterization of the Global Bias Problem in Aerial Federated Learning
• Title（参考訳）: 航空連携学習におけるグローバルバイアス問題の特徴
• Authors: Ruslan Zhagypar, Nour Kouzayha, Hesham ElSawy, Hayssam Dahrouj, and Tareq Y. Al-Naffouri
• Abstract要約: 無人航空機(UAV)の移動性は、ネットワークエッジで柔軟でカスタマイズされた連邦学習(FL)を可能にする。 UAVにおけるグローバルモデルの分布とFL学習ラウンドにおけるローカル更新の集約は、無線チャネルの信頼性によって制御される。 本稿では,大規模UAVネットワークにおける航空FLのグローバルバイアス問題を特徴づける。
• 参考スコア（独自算出の注目度）: 30.555678487200456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned aerial vehicles (UAVs) mobility enables flexible and customized federated learning (FL) at the network edge. However, the underlying uncertainties in the aerial-terrestrial wireless channel may lead to a biased FL model. In particular, the distribution of the global model and the aggregation of the local updates within the FL learning rounds at the UAVs are governed by the reliability of the wireless channel. This creates an undesirable bias towards the training data of ground devices with better channel conditions, and vice versa. This paper characterizes the global bias problem of aerial FL in large-scale UAV networks. To this end, the paper proposes a channel-aware distribution and aggregation scheme to enforce equal contribution from all devices in the FL training as a means to resolve the global bias problem. We demonstrate the convergence of the proposed method by experimenting with the MNIST dataset and show its superiority compared to existing methods. The obtained results enable system parameter tuning to relieve the impact of the aerial channel deficiency on the FL convergence rate.
• Abstract（参考訳）: 無人航空機(UAV)の移動性は、ネットワークエッジで柔軟でカスタマイズされた連邦学習(FL)を可能にする。 しかし、地上無線チャネルの基本的な不確実性はバイアス付きflモデルにつながる可能性がある。 特に、UAVにおけるグローバルモデルの分布とFL学習ラウンドにおける局所的な更新の集約は、無線チャネルの信頼性によって制御される。 これにより、より良いチャネル条件を持つ地上機器のトレーニングデータに対して、望ましくないバイアスが生じる。 本稿では,大規模UAVネットワークにおける航空FLのグローバルバイアス問題を特徴づける。 そこで本稿では,グローバルバイアス問題を解決する手段として,flトレーニングにおける全デバイスから均等な貢献を強制するチャネルアウェア分布・集約方式を提案する。 MNISTデータセットを実験することで提案手法の収束性を実証し,既存の手法と比較してその優位性を示す。 その結果, システムパラメータチューニングにより, fl収束率に対する空中チャネル不足の影響を緩和できることがわかった。

関連論文リスト

• UAV-assisted Unbiased Hierarchical Federated Learning: Performance and Convergence Analysis [16.963596661873954]
  HFL(Hierarchical Federated Learning)は、エッジデバイス間で学習を分散し、グローバルインテリジェンスに到達するための重要なパラダイムである。 HFLでは、各エッジデバイスが各データを使用してローカルモデルをトレーニングし、更新されたモデルパラメータをエッジサーバに送信し、ローカルアグリゲーションを行う。 本稿では無人航空機(UAV)支援無線ネットワークのための非バイアスHFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-05T06:23:01Z)
• Decentralized Federated Learning Over Imperfect Communication Channels [68.08499874460857]
  本稿では、分散化フェデレーション学習(D-FL)における不完全なコミュニケーションチャネルの影響を解析する。 トレーニングラウンドあたりのローカルアグリゲーションの最適な数を決定し、ネットワークトポロジと不完全なチャネルに適応する。 D-FLは、最適数の局所的なアグリゲーションを持つため、トレーニング精度が10%以上向上する可能性がある。
  論文  参考訳（メタデータ） (2024-05-21T16:04:32Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• A Federated Channel Modeling System using Generative Neural Networks [8.424767096311928]
  本研究では,無人航空機におけるミリ波無線ネットワークにおける空対地チャネル推定のためのデータ駆動方式を提案する。 我々は、チャネル推定にフェデレートラーニング(FL)を用い、低高度プラットフォームと地上端末との間の空対地経路損失を予測する。 提案モデルの有効性を評価するため,Kullback-Leibler divergence (KL) と,モデルが生成した合成データ分布と実際のデータ分布とのワッサーシュタイン距離を用いて,その性能を評価する。
  論文  参考訳（メタデータ） (2023-05-30T08:50:22Z)
• Random Orthogonalization for Federated Learning in Massive MIMO Systems [85.71432283670114]
  大規模マルチインプット・マルチアウトプット(MIMO)無線システムにおいて,フェデレートラーニング(FL)のための新しい通信設計を提案する。 ランダム直交化の主な特徴は、FLの密結合と、チャネル硬化と良好な伝播の2つの特徴から生じる。 我々は、この原理をダウンリンク通信フェーズに拡張し、FLの簡易かつ高効率なモデル放送法を開発する。
  論文  参考訳（メタデータ） (2022-10-18T14:17:10Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)
• Convergence Time Optimization for Federated Learning over Wireless Networks [160.82696473996566]
  無線ユーザが(ローカル収集データを用いて訓練した)ローカルFLモデルを基地局(BS)に送信する無線ネットワークを考える。 中央コントローラとして機能するBSは、受信したローカルFLモデルを使用してグローバルFLモデルを生成し、それを全ユーザにブロードキャストする。 無線ネットワークにおけるリソースブロック(RB)の数が限られているため、ローカルFLモデルパラメータをBSに送信するために選択できるのは一部のユーザのみである。 各ユーザが独自のトレーニングデータサンプルを持っているため、BSは、収束したグローバルFLモデルを生成するために、すべてのローカルユーザFLモデルを含むことを好んでいる。
  論文  参考訳（メタデータ） (2020-01-22T01:55:12Z)

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。