論文の概要: Federated Learning for Energy Constrained IoT devices: A systematic
mapping study
- arxiv url: http://arxiv.org/abs/2301.03720v1
- Date: Mon, 9 Jan 2023 23:30:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 17:31:01.581133
- Title: Federated Learning for Energy Constrained IoT devices: A systematic
mapping study
- Title（参考訳）: エネルギー制約型IoTデバイスのためのフェデレーション学習:システマティックマッピングによる研究
- Authors: Rachid EL Mokadem, Yann Ben Maissa and Zineb El Akkaoui
- Abstract要約: Federated Machine Learning (Fed ML)は、グローバルモデルの協調トレーニングに使用される、新しい分散機械学習技術である。
Fed MLは、その機密性を保証する。ネットワークセキュリティの重要な側面であり、データに敏感なIoT(Internet of Things)のコンテキストで使用することができる。
ほとんどのIoTデバイスは特にエネルギーに制約があるため、効率的なトレーニングタスクと電力消費の最適化のためにFed MLプロセスを最適化する必要が生じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated Machine Learning (Fed ML) is a new distributed machine learning
technique applied to collaboratively train a global model using clients local
data without transmitting it. Nodes only send parameter updates (e.g., weight
updates in the case of neural networks), which are fused together by the server
to build the global model. By not divulging node data, Fed ML guarantees its
confidentiality, a crucial aspect of network security, which enables it to be
used in the context of data-sensitive Internet of Things (IoT) and mobile
applications, such as smart Geo-location and the smart grid. However, most IoT
devices are particularly energy constrained, which raises the need to optimize
the Fed ML process for efficient training tasks and optimized power
consumption. In this paper, we conduct, to the best of our knowledge, the first
Systematic Mapping Study (SMS) on Fed ML optimization techniques for
energy-constrained IoT devices. From a total of more than 800 papers, we select
67 that satisfy our criteria and give a structured overview of the field using
a set of carefully chosen research questions. Finally, we attempt to provide an
analysis of the energy-constrained Fed ML state of the art and try to outline
some potential recommendations for the research community.
- Abstract（参考訳）: Federated Machine Learning (Fed ML)は、クライアントのローカルデータを使ってグローバルモデルを協調的にトレーニングする、新たな分散機械学習技術である。
ノードはパラメータ更新(例えばニューラルネットワークの場合の重み更新)のみを送信するが、これはサーバが融合してグローバルモデルを構築する。
ノードデータを拡散しないことで、Fed MLはその機密性、ネットワークセキュリティの重要な側面を保証し、データに敏感なIoT(Internet of Things)と、スマートジオロケーションやスマートグリッドなどのモバイルアプリケーションで使用できるようにする。
しかし、ほとんどのIoTデバイスは特にエネルギーに制約があるため、効率的なトレーニングタスクと電力消費の最適化のためにFed MLプロセスを最適化する必要が生じる。
本稿では,エネルギー制約型IoTデバイスを対象としたFed ML最適化技術に関する第1回システムマッピング研究(SMS)を行う。
合計800以上の論文から基準を満たした67の論文を選び、慎重に選択された研究質問のセットを用いて、その分野の構造化された概要を示す。
最後に、エネルギー制約のあるFed MLの現状の分析を行い、研究コミュニティの潜在的な推奨事項について概説する。
関連論文リスト
- Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Topics in Deep Learning and Optimization Algorithms for IoT Applications
in Smart Transportation [0.0]
この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。
第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。
第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。
最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
論文 参考訳（メタデータ） (2022-10-13T11:45:30Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - 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) - Energy efficient distributed analytics at the edge of the network for
IoT environments [0.4898659895355355]
フォグコンピューティングのパラダイムを利用して、データが生成される場所に近づく。
分散学習フレームワークのさまざまな構成のパフォーマンスを分析します。
論文 参考訳（メタデータ） (2021-09-23T14:07:33Z) - Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection [10.232121085973782]
我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。
現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
論文 参考訳（メタデータ） (2021-06-15T08:53:42Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z) - Ternary Compression for Communication-Efficient Federated Learning [17.97683428517896]
フェデレートされた学習は、プライバシ保護とセキュアな機械学習に対する潜在的なソリューションを提供する。
本稿では,第3次フェデレーション平均化プロトコル(T-FedAvg)を提案する。
その結果,提案したT-FedAvgは通信コストの低減に有効であり,非IIDデータの性能も若干向上できることがわかった。
論文 参考訳（メタデータ） (2020-03-07T11:55:34Z) - 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。