論文の概要: Graph Federated Learning for CIoT Devices in Smart Home Applications
- arxiv url: http://arxiv.org/abs/2212.14395v1
- Date: Thu, 29 Dec 2022 17:57:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 17:06:50.311248
- Title: Graph Federated Learning for CIoT Devices in Smart Home Applications
- Title（参考訳）: スマートホームアプリケーションにおけるCIoTデバイスのためのグラフフェデレーション学習
- Authors: Arash Rasti-Meymandi, Seyed Mohammad Sheikholeslami, Jamshid Abouei,
Konstantinos N. Plataniotis
- Abstract要約: G-Fedfilt'と呼ばれるグラフフィルタリングに基づく新しいグラフ信号処理(GSP)に基づく集約ルールを提案する。
提案するアグリゲータは,グラフのトポロジに基づく情報の流れを構造化することができる。
モデルの一般化をテストする場合、FedAvgよりも2.41%$高い精度が得られる。
- 参考スコア（独自算出の注目度）: 23.216140264163535
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper deals with the problem of statistical and system heterogeneity in
a cross-silo Federated Learning (FL) framework where there exist a limited
number of Consumer Internet of Things (CIoT) devices in a smart building. We
propose a novel Graph Signal Processing (GSP)-inspired aggregation rule based
on graph filtering dubbed ``G-Fedfilt''. The proposed aggregator enables a
structured flow of information based on the graph's topology. This behavior
allows capturing the interconnection of CIoT devices and training
domain-specific models. The embedded graph filter is equipped with a tunable
parameter which enables a continuous trade-off between domain-agnostic and
domain-specific FL. In the case of domain-agnostic, it forces G-Fedfilt to act
similar to the conventional Federated Averaging (FedAvg) aggregation rule. The
proposed G-Fedfilt also enables an intrinsic smooth clustering based on the
graph connectivity without explicitly specified which further boosts the
personalization of the models in the framework. In addition, the proposed
scheme enjoys a communication-efficient time-scheduling to alleviate the system
heterogeneity. This is accomplished by adaptively adjusting the amount of
training data samples and sparsity of the models' gradients to reduce
communication desynchronization and latency. Simulation results show that the
proposed G-Fedfilt achieves up to $3.99\% $ better classification accuracy than
the conventional FedAvg when concerning model personalization on the
statistically heterogeneous local datasets, while it is capable of yielding up
to $2.41\%$ higher accuracy than FedAvg in the case of testing the
generalization of the models.
- Abstract（参考訳）: 本稿では、スマートビルディングに限られた数の消費者モノのインターネット(ciot)デバイスが存在するクロスサイロフェデレーション学習(fl)フレームワークにおける、統計的およびシステムの不均一性の問題を扱う。
本稿では, ``g-fedfilt''' と呼ばれるグラフフィルタリングに基づく新しいグラフ信号処理(gsp)に基づく集約ルールを提案する。
提案するアグリゲータは,グラフのトポロジに基づく情報の流れを構造化することができる。
この動作は、ciotデバイスの相互接続をキャプチャし、ドメイン固有モデルのトレーニングを可能にする。
埋め込みグラフフィルタは、ドメインに依存しないFLとドメイン固有のFLとの連続的なトレードオフを可能にする調整可能なパラメータを備える。
ドメインに依存しない場合、G-Fedfiltは従来のFederated Averaging (FedAvg)アグリゲーションルールと同様の動作を強制する。
提案したG-Fedfiltでは,グラフ接続性に基づいたスムーズなクラスタリングが可能であり,フレームワーク内のモデルのパーソナライズをさらに促進する。
さらに,提案手法は,通信効率のよい時間スケジューリングにより,システムの不均一性を緩和する。
これは、トレーニングデータサンプルの量とモデルの勾配のスパーシティを適応的に調整することで、通信の同期化とレイテンシを減少させる。
シミュレーションの結果,統計的に異種な局所データセットにおけるモデルパーソナライズに関する場合,g-fedfiltは従来のfedavgよりも最大3.99\%高い分類精度が得られるが,モデルの一般化をテストする場合にはfedavgよりも最大2.41\%高い精度が得られることがわかった。
関連論文リスト
- Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。
DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。
フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
論文 参考訳（メタデータ） (2024-11-18T04:57:05Z) - Degree Distribution based Spiking Graph Networks for Domain Adaptation [17.924123705983792]
Spiking Graph Networks (SGNs)は、グラフ分類におけるエネルギー消費の課題に対処する能力のために、研究者と業界双方から大きな注目を集めている。
まず、SGNにおけるドメイン適応問題を提案し、Dgree-aware Spiking Graph Domain Adaptation for Classificationという新しいフレームワークを提案する。
The proposed DeSGDA address the spiking graph domain adapt problem by three aspects: node degree-aware Personal spiking representation, adversarial feature distribution alignment, pseudo-label distillation。
論文 参考訳（メタデータ） (2024-10-09T13:45:54Z) - Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-19T18:00:15Z) - ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised
Graph Neural Network [20.924559944655392]
本稿では,適応スペクトルウェーブレット変換を用いた自己教師付きグラフニューラルネットワーク(ASWT-SGNN)を提案する。
ASWT-SGNNは高密度スペクトル領域におけるフィルタ関数を正確に近似し、コストの高い固有分解を避ける。
ノード分類タスクにおける最先端モデルに匹敵するパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-10T03:07:42Z) - Data-Agnostic Model Poisoning against Federated Learning: A Graph
Autoencoder Approach [65.2993866461477]
本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。
この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。
実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
論文 参考訳（メタデータ） (2023-11-30T12:19:10Z) - Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳（メタデータ） (2023-05-22T13:48:30Z) - GLASU: A Communication-Efficient Algorithm for Federated Learning with
Vertically Distributed Graph Data [44.02629656473639]
本稿では,クライアントとサーバ間でバックボーンGNNを分割するモデル分割手法と通信効率のよいGLASUを提案する。
提案アルゴリズムは,実世界のデータセットに対する理論的解析と広範な数値実験を行い,中央集権的な学習を行うと,バックボーンのGNNと性能が一致するGNNモデルを効果的に訓練することを示した。
論文 参考訳（メタデータ） (2023-03-16T17:47:55Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳（メタデータ） (2020-10-19T21:51:47Z) - Self-Constructing Graph Convolutional Networks for Semantic Labeling [23.623276007011373]
本稿では,学習可能な潜伏変数を用いて埋め込みを生成する自己構築グラフ(SCG)を提案する。
SCGは、空中画像中の複雑な形状の物体から、最適化された非局所的なコンテキストグラフを自動的に取得することができる。
本稿では,ISPRS Vaihingen データセット上で提案した SCG の有効性と柔軟性を示す。
論文 参考訳（メタデータ） (2020-03-15T21:55:24Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。