論文の概要: Deep Reinforcement Learning Based Vehicle Selection for Asynchronous Federated Learning Enabled Vehicular Edge Computing

• arxiv url: http://arxiv.org/abs/2304.02832v1
• Date: Thu, 6 Apr 2023 02:40:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 15:34:03.994245
• Title: Deep Reinforcement Learning Based Vehicle Selection for Asynchronous Federated Learning Enabled Vehicular Edge Computing
• Title（参考訳）: 深部強化学習に基づく車両選択による車両エッジコンピューティングの非同期フェデレーション学習
• Authors: Qiong Wu, Siyuan Wang, Pingyi Fan, and Qiang Fan
• Abstract要約: 従来の車両ネットワークでは、車両によって生成される計算タスクは通常、処理のためにクラウドにアップロードされる。 本稿では,車両ネットワークのAFLにおけるグローバルモデルの精度を向上させるために,DRLに基づく車両選択方式を提案する。 シミュレーションの結果,提案手法は悪いノードを効果的に除去し,グローバルモデルの集約精度を向上させることができることを示した。
• 参考スコア（独自算出の注目度）: 16.169301221410944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the traditional vehicular network, computing tasks generated by the vehicles are usually uploaded to the cloud for processing. However, since task offloading toward the cloud will cause a large delay, vehicular edge computing (VEC) is introduced to avoid such a problem and improve the whole system performance, where a roadside unit (RSU) with certain computing capability is used to process the data of vehicles as an edge entity. Owing to the privacy and security issues, vehicles are reluctant to upload local data directly to the RSU, and thus federated learning (FL) becomes a promising technology for some machine learning tasks in VEC, where vehicles only need to upload the local model hyperparameters instead of transferring their local data to the nearby RSU. Furthermore, as vehicles have different local training time due to various sizes of local data and their different computing capabilities, asynchronous federated learning (AFL) is employed to facilitate the RSU to update the global model immediately after receiving a local model to reduce the aggregation delay. However, in AFL of VEC, different vehicles may have different impact on the global model updating because of their various local training delay, transmission delay and local data sizes. Also, if there are bad nodes among the vehicles, it will affect the global aggregation quality at the RSU. To solve the above problem, we shall propose a deep reinforcement learning (DRL) based vehicle selection scheme to improve the accuracy of the global model in AFL of vehicular network. In the scheme, we present the model including the state, action and reward in the DRL based to the specific problem. Simulation results demonstrate our scheme can effectively remove the bad nodes and improve the aggregation accuracy of the global model.
• Abstract（参考訳）: 従来の車両ネットワークでは、車両によって生成される計算タスクは通常、処理のためにクラウドにアップロードされる。 しかし、タスクのクラウドへのオフロードは大きな遅延を引き起こすため、車両のデータをエッジエンティティとして処理するために特定の計算能力を持つロードサイドユニット(RSU)を使用して、そのような問題を避け、システム全体の性能を改善するために、車両エッジコンピューティング(VEC)が導入される。 プライバシーとセキュリティの問題から、車両はローカルデータをRSUに直接アップロードすることに消極的であるため、フェデレーションドラーニング(FL)はVECの機械学習タスクにおいて有望な技術となり、車両はローカルデータをRSUに転送する代わりに、ローカルモデルのハイパーパラメーターをアップロードするのみである。 さらに,ローカルデータの大きさや計算能力の相違により,車両のローカルトレーニング時間が異なるため,RSUがローカルモデルを受信した直後にグローバルモデルを更新し,アグリゲーション遅延を低減するために非同期フェデレーション学習(AFL)を採用する。 しかしながら、VECのAFLでは、様々なローカルトレーニング遅延、送信遅延、ローカルデータサイズのために、異なる車両がグローバルモデル更新に異なる影響を与える可能性がある。 また、車両間に悪いノードがある場合、RSUのグローバルアグリゲーション品質に影響を及ぼす。 本稿では,車両網のaflにおけるグローバルモデルの精度を向上させるために,深層強化学習(drl)に基づく車両選択方式を提案する。 本手法では, DRLにおける状態, 行動, 報酬を含むモデルを, 特定の問題に基づいて提示する。 シミュレーションの結果,提案手法は悪いノードを効果的に除去し,グローバルモデルの集約精度を向上させる。

関連論文リスト

• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• Anti-Byzantine Attacks Enabled Vehicle Selection for Asynchronous Federated Learning in Vehicular Edge Computing [31.751968463777]
  車両エッジコンピューティング(VEC)では、非同期フェデレーション学習(AFL)が使用され、エッジがローカルモデルを受け取り、グローバルモデルを更新する。 本稿では,深部強化学習(DRL)に基づく車両選択手法を提案する。
  論文  参考訳（メタデータ） (2024-04-12T12:56:16Z)
• VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular Federated Learning [2.6322811557798746]
  車両用無線環境マップフェデレートラーニング(VREM-FL)を提案する。 車両の移動性と5G無線環境マップを組み合わせる。 VREM-FLは無線リソース使用のためのトレーニング時間に調整することができる。
  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)
• Enhanced Decentralized Federated Learning based on Consensus in Connected Vehicles [14.80476265018825]
  分散システムにおける機械学習(ML)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。 我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
  論文  参考訳（メタデータ） (2022-09-22T01:21:23Z)
• Asynchronous Federated Learning for Edge-assisted Vehicular Networks [7.624367655819205]
  車両ネットワークは、訓練データを通じて車両がリアルタイムの車両アプリケーションをサポートすることを可能にする。 従来の連邦学習(FL)では、車両はローカルモデルを得るためにデータをローカルにトレーニングし、RSUにローカルモデルをアップロードしてグローバルモデルを更新する。 従来のFLは、グローバルモデルを同期的に更新する、すなわち、RSUはグローバルモデル更新のためにすべての車両がモデルをアップロードするのを待つ必要がある。 この問題を解決するためには非同期フェデレーション学習(AFL)を提案する必要がある。そこでは、RSUが車両からローカルモデルを受け取ると、グローバルモデルを更新する。
  論文  参考訳（メタデータ） (2022-08-03T08:05:02Z)
• 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)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Fast-Convergent Federated Learning [82.32029953209542]
  フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。 本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T14:37:51Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)

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。