論文の概要: Design of Two-Level Incentive Mechanisms for Hierarchical Federated Learning

• arxiv url: http://arxiv.org/abs/2304.04162v1
• Date: Sun, 9 Apr 2023 05:10:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 17:19:18.587417
• Title: Design of Two-Level Incentive Mechanisms for Hierarchical Federated Learning
• Title（参考訳）: 階層型連合学習のための2段階インセンティブ機構の設計
• Authors: Shunfeng Chu, Jun Li, Kang Wei, Yuwen Qian, Kunlun Wang, Feng Shu and Wen Chen
• Abstract要約: 我々は、HFLトレーニングにおいて、各階層におけるエンティティの参加を促進するために、2階層の計算構造を持つ2段階のHFLインセンティブ機構を設計する。 上層ゲームでは,エッジサーバのエッジアグリゲーション数を最大化するために最適なエッジアグリゲーション数を決定できるStackelbergゲームアルゴリズムを設計する。
• 参考スコア（独自算出の注目度）: 14.453521198249739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical Federated Learning (HFL) is a distributed machine learning paradigm tailored for multi-tiered computation architectures, which supports massive access of devices' models simultaneously. To enable efficient HFL, it is crucial to design suitable incentive mechanisms to ensure that devices actively participate in local training. However, there are few studies on incentive mechanism design for HFL. In this paper, we design two-level incentive mechanisms for the HFL with a two-tiered computing structure to encourage the participation of entities in each tier in the HFL training. In the lower-level game, we propose a coalition formation game to joint optimize the edge association and bandwidth allocation problem, and obtain efficient coalition partitions by the proposed preference rule, which can be proven to be stable by exact potential game. In the upper-level game, we design the Stackelberg game algorithm, which not only determines the optimal number of edge aggregations for edge servers to maximize their utility, but also optimize the unit reward provided for the edge aggregation performance to ensure the interests of cloud servers. Furthermore, numerical results indicate that the proposed algorithms can achieve better performance than the benchmark schemes.
• Abstract（参考訳）: layered federated learning (hfl) は、多層計算アーキテクチャ向けに設計された分散機械学習パラダイムであり、デバイスのモデルへの大規模アクセスをサポートする。 効率的なHFLを実現するためには、デバイスがローカルトレーニングに積極的に参加するように適切なインセンティブメカニズムを設計することが不可欠である。 しかし,HFLのインセンティブ機構設計に関する研究はほとんどない。 本稿では,HFLトレーニングにおける各階層におけるエンティティの参加を促すために,階層計算構造を持つHFLの2段階インセンティブ機構を設計する。 低レベルゲームでは,エッジアソシエーションと帯域割り当ての問題を共同で最適化し,提案する選好則により効率的な連立分割を実現する連立形成ゲームを提案する。 上位レベルゲームでは,エッジサーバの最適なエッジアグリゲーション数を決定するだけでなく,エッジアグリゲーション性能に対して提供されるユニットアグリゲーションを最適化してクラウドサーバの利益を確保する,stackelbergゲームアルゴリズムを設計した。 さらに,提案アルゴリズムはベンチマーク方式よりも優れた性能が得られることを示す。

関連論文リスト

• Heterogeneity-Aware Resource Allocation and Topology Design for Hierarchical Federated Edge Learning [9.900317349372383]
  Federated Learning (FL)は、モバイルデバイス上で機械学習モデルをトレーニングするためのプライバシー保護フレームワークを提供する。 従来のFLアルゴリズム、例えばFedAvgはこれらのデバイスに重い通信負荷を課す。 エッジデバイスをエッジサーバに接続し,エッジサーバをピアツーピア(P2P)エッジバックホールを介して相互接続する2層HFELシステムを提案する。 我々の目標は、戦略的資源配分とトポロジ設計により、HFELシステムの訓練効率を向上させることである。
  論文  参考訳（メタデータ） (2024-09-29T01:48:04Z)
• AdaptSFL: Adaptive Split Federated Learning in Resource-constrained Edge Networks [15.195798715517315]
  Split Federated Learning(SFL)は、モデルのパーティショニングを通じて、最初のトレーニングワークロードをサーバにfloadする、有望なソリューションである。 本稿では,資源制約付きエッジコンピューティングシステムにおいて,SFLを高速化するための新しいリソース適応型SFLフレームワークであるAdaptSFLを提案する。
  論文  参考訳（メタデータ） (2024-03-19T19:05:24Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Hierarchical Personalized Federated Learning Over Massive Mobile Edge Computing Networks [95.39148209543175]
  大規模MECネットワーク上でPFLをデプロイするアルゴリズムである階層型PFL(HPFL)を提案する。 HPFLは、最適帯域割り当てを共同で決定しながら、トレーニング損失最小化とラウンドレイテンシ最小化の目的を組み合わせる。
  論文  参考訳（メタデータ） (2023-03-19T06:00:05Z)
• 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)
• Semi-Synchronous Personalized Federated Learning over Mobile Edge Networks [88.50555581186799]
  我々は,モバイルエッジネットワーク上での半同期パーソナライズフェデレーション(PerFedS$2$)と呼ばれる半同期PFLアルゴリズムを提案する。 我々は、グローバルラウンド当たりの参加者数とラウンド数の観点から、PerFedS2の収束率の上限を導出する。 PerFedS2はトレーニング時間を節約し、トレーニング損失の収束を保証する。
  論文  参考訳（メタデータ） (2022-09-27T02:12:43Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Collaboration in Participant-Centric Federated Learning: A Game-Theoretical Perspective [29.06665697241795]
  Federated Learning(FL)は、協調人工知能モデルトレーニングのための有望な分散フレームワークである。 重要な研究の注目を集めているブートストラップコンポーネントは、FLにおけるユーザの協調を刺激するインセンティブメカニズムの設計である。 共通の関心のためにFLモデルを追求するために、参加者間の参加者中心のコラボレーションを鍛えることを検討する作業はほとんどない。 本稿では, 参加者中心のFLに対して, 効果的かつ効率的なコラボレーションを促すための新しい分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-25T10:12:22Z)
• FMore: An Incentive Scheme of Multi-dimensional Auction for Federated Learning in MEC [17.370238999812685]
  本稿では,K当選者の多次元調達オークションを用いたインセンティブメカニズムFMoreを提案する。 我々の提案するFMoreは軽量でインセンティブに適合するだけでなく、学習に参加するために低コストで高品質なエッジノードを奨励します。
  論文  参考訳（メタデータ） (2020-02-22T13:43:36Z)

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。