論文の概要: Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2301.11014v1
• Date: Thu, 26 Jan 2023 10:09:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-27 14:03:15.842395
• Title: Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning
• Title（参考訳）: フェデレーションマルチエージェント強化学習による車両インターネットのプライバシ保護統合エッジアソシエーションと電力最適化
• Authors: Yan Lin, Jinming Bao, Yijin Zhang, Jun Li, Feng Shu and Lajos Hanzo
• Abstract要約: プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。 提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
• 参考スコア（独自算出の注目度）: 74.53077322713548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proactive edge association is capable of improving wireless connectivity at the cost of increased handover (HO) frequency and energy consumption, while relying on a large amount of private information sharing required for decision making. In order to improve the connectivity-cost trade-off without privacy leakage, we investigate the privacy-preserving joint edge association and power allocation (JEAPA) problem in the face of the environmental uncertainty and the infeasibility of individual learning. Upon modelling the problem by a decentralized partially observable Markov Decision Process (Dec-POMDP), it is solved by federated multi-agent reinforcement learning (FMARL) through only sharing encrypted training data for federatively learning the policy sought. Our simulation results show that the proposed solution strikes a compelling trade-off, while preserving a higher privacy level than the state-of-the-art solutions.
• Abstract（参考訳）: 積極的なエッジアソシエーションは、意思決定に必要な大量のプライベート情報共有に依存しながら、ハンドオーバ(HO)周波数の増加とエネルギー消費のコストで無線接続を改善することができる。 プライバシリークのないコネクティビティコストのトレードオフを改善するため,環境の不確実性や個別学習の可能性に直面するプライバシー保護連立エッジアソシエーションとパワーアロケーション(JEAPA)問題について検討する。 分散部分可観測マルコフ決定過程(dec-pomdp)によって問題をモデル化すると、要求された方針を連合的に学習するための暗号化されたトレーニングデータのみを共有することで、フェデレートマルチエージェント強化学習(fmarl)によって解決される。 シミュレーションの結果,提案手法は最先端ソリューションよりも高いプライバシレベルを維持しつつ,説得力のあるトレードオフをもたらすことがわかった。

関連論文リスト

• Privacy in Federated Learning [0.0]
  フェデレートラーニング(FL)は、分散機械学習における重要な進歩である。 この章では、データ再構成のリスク、モデル反転攻撃、メンバシップ推論など、FLの中核的なプライバシに関する懸念を掘り下げている。 モデル精度とプライバシのトレードオフを調べ、実践的な実装においてこれらの要因のバランスをとることの重要性を強調します。
  論文  参考訳（メタデータ） (2024-08-12T18:41:58Z)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• Over-the-Air Federated Averaging with Limited Power and Privacy Budgets [49.04036552090802]
  本稿では,電力予算が制限されたプライベート・オーバ・ザ・エア・フェデレーション(DP-OTA-FedAvg)システムについて検討する。 我々は,DP-OTA-FedAvg係数のギャップを最小化し,プライバシー機能を最小化するために解析的問題を改善することを目的としている。
  論文  参考訳（メタデータ） (2023-05-05T13:56:40Z)
• Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
  仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。 帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。 本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T15:52:37Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• PP-MARL: Efficient Privacy-Preserving MARL for Cooperative Intelligence in Communication [18.70947104724304]
  マルチエージェント強化学習(MARL)に基づく効率的なプライバシー保護学習手法PP-MARLを提案する。 本稿では,ドローン支援通信におけるモビリティ管理とエッジインテリジェンスを用いたネットワーク制御の2つのユースケースに適用し,評価する。
  論文  参考訳（メタデータ） (2022-04-26T04:08:27Z)
• Secure Distributed/Federated Learning: Prediction-Privacy Trade-Off for Multi-Agent System [4.190359509901197]
  分散学習(DLとFL)フレームワーク内で推論を行うビッグデータ時代において、中央サーバは大量のデータを処理する必要がある。 分散コンピューティングトポロジを考えると、プライバシは第一級の関心事になっている。 本研究では,テキストプライバシを意識したサーバを,エージェントごとの情報処理制約を考慮したマルチエージェント代入問題に適用する。
  論文  参考訳（メタデータ） (2022-04-24T19:19:20Z)
• Privacy-Preserving Communication-Efficient Federated Multi-Armed Bandits [17.039484057126337]
  通信ボトルネックとデータプライバシは、連邦化された多武装バンディット(MAB)問題において2つの重要な問題である。 このような問題に対して,プライバシ保存型通信効率アルゴリズムを設計し,後悔の観点から,プライバシ,コミュニケーション,学習性能の相互作用について検討する。
  論文  参考訳（メタデータ） (2021-11-02T12:56:12Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• Decentralized Deep Learning for Mobile Edge Computing: A Survey on Communication Efficiency and Trustworthiness [1.4180331276028662]
  分散ディープラーニング(DDL)は、数百万のエッジスマートデバイスを対象とした、プライバシ保護データ処理の有望なソリューションである。 本稿では、分散学習を通じて社会の多くの歩みに利益をもたらすために、DDLの技術的基礎を実証する。
  論文  参考訳（メタデータ） (2021-07-30T04:15:36Z)

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。