論文の概要: Federated Learning in Wireless Networks via Over-the-Air Computations
- arxiv url: http://arxiv.org/abs/2305.04630v1
- Date: Mon, 8 May 2023 11:12:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 14:38:55.768269
- Title: Federated Learning in Wireless Networks via Over-the-Air Computations
- Title（参考訳）: 無線ネットワークにおける空力計算によるフェデレーション学習
- Authors: Halil Yigit Oksuz, Fabio Molinari, Henning Sprekeler, J\"org Raisch
- Abstract要約: マルチエージェントシステムでは、エージェントは推定モデルパラメータを交換することで、データからモデルを協調的に学習することができる。
この戦略は、しばしばフェデレートラーニングと呼ばれ、主に2つの理由から採用されている: (i) 潜在的に大きなデータセットを共有することを避けて、リソース効率を改善すること(ii) ローカルエージェントのデータプライバシーを保証すること。
オーバー・ザ・エア・コンピュテーション(Over-the-Air Computation)と呼ばれる5Gを超える通信戦略を採用することで、効率をさらに向上させることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In a multi-agent system, agents can cooperatively learn a model from data by
exchanging their estimated model parameters, without the need to exchange the
locally available data used by the agents. This strategy, often called
federated learning, is mainly employed for two reasons: (i) improving
resource-efficiency by avoiding to share potentially large datasets and (ii)
guaranteeing privacy of local agents' data. Efficiency can be further increased
by adopting a beyond-5G communication strategy that goes under the name of
Over-the-Air Computation. This strategy exploits the interference property of
the wireless channel. Standard communication schemes prevent interference by
enabling transmissions of signals from different agents at distinct time or
frequency slots, which is not required with Over-the-Air Computation, thus
saving resources. In this case, the received signal is a weighted sum of
transmitted signals, with unknown weights (fading channel coefficients). State
of the art papers in the field aim at reconstructing those unknown
coefficients. In contrast, the approach presented here does not require
reconstructing channel coefficients by complex encoding-decoding schemes. This
improves both efficiency and privacy.
- Abstract（参考訳）: マルチエージェントシステムでは、エージェントが使用したローカルデータを交換することなく、推定モデルパラメータを交換することで、データからモデルを協調的に学習することができる。
この戦略は、しばしば連合学習と呼ばれ、主に2つの理由で採用される。
(i)潜在的に大きなデータセットを共有することを避けて資源効率を向上させること。
(ii)現地の代理人のデータのプライバシーを保障する。
オーバー・ザ・エア・コンピュテーション(Over-the-Air Computation)と呼ばれる5Gを超える通信戦略を採用することで、効率をさらに向上させることができる。
この戦略は無線チャネルの干渉特性を利用する。
標準的な通信方式は、異なるエージェントからの信号の異なる時間や周波数スロットでの送信を可能にすることで干渉を防ぐ。
この場合、受信信号は、未知の重み(フェーディングチャネル係数)を持つ送信信号の重み付け和である。
フィールドにおける美術論文の現況は、これらの未知の係数を再構築することを目的としている。
これとは対照的に、複雑な符号化復号方式によりチャネル係数の再構成を必要としない。
これにより効率性とプライバシーが向上する。
関連論文リスト
- Federated Learning for UAV-Based Spectrum Sensing: Enhancing Accuracy Through SNR-Weighted Model Aggregation [0.0]
無人航空機(UAV)ネットワークは、3D空間、その課題、そして機会に関して異なる視点を必要とする。
本稿では,その分散特性と計算能力の制限を考慮した,UAVネットワークにおけるスペクトルセンシングのためのFLに基づく手法を提案する。
我々はまた、UAVが観測した信号と雑音の比率を考慮し、グローバルモデルを得るフェデレーションアグリゲーション手法、すなわちFedSNRを開発した。
論文 参考訳（メタデータ） (2024-11-17T19:24:49Z) - Hierarchical Over-the-Air Federated Learning with Awareness of
Interference and Data Heterogeneity [3.8798345704175534]
本稿では,無線リソースを無線で効率よく利用するためのスケーラブルな伝送方式を提案する。
干渉とデータの不均一性にもかかわらず,提案手法は高い学習精度を達成し,従来の階層型アルゴリズムよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2024-01-02T21:43:01Z) - Deep Reinforcement Learning for Interference Management in UAV-based 3D
Networks: Potentials and Challenges [137.47736805685457]
チャネル情報を知らなくても干渉を効果的に軽減できることを示す。
干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
論文 参考訳（メタデータ） (2023-05-11T18:06:46Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳（メタデータ） (2023-04-07T13:41:08Z) - Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification
in the Presence of Data Heterogeneity [60.791736094073]
通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。
本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。
提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
論文 参考訳（メタデータ） (2023-02-19T17:42:35Z) - Scalable Hierarchical Over-the-Air Federated Learning [3.8798345704175534]
この研究は、干渉とデバイスデータの不均一性の両方を扱うために設計された新しい2段階学習手法を導入する。
本稿では,提案アルゴリズムの収束を導出するための包括的数学的アプローチを提案する。
干渉とデータの不均一性にもかかわらず、提案アルゴリズムは様々なパラメータに対して高い学習精度を実現する。
論文 参考訳（メタデータ） (2022-11-29T12:46:37Z) - Learning Resilient Radio Resource Management Policies with Graph Neural
Networks [124.89036526192268]
我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。
有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。
このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
論文 参考訳（メタデータ） (2022-03-07T19:40:39Z) - Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文 参考訳（メタデータ） (2022-01-03T16:49:33Z) - Wireless Federated Learning with Limited Communication and Differential
Privacy [21.328507360172203]
本稿では,空力計算(AirComp)に基づくフェデレーション学習(FL)モデルにおいて,リモートユーザにおけるローカルデータセットの効率的な通信と差分プライバシー(DP)における次元性低減の役割について検討する。
論文 参考訳（メタデータ） (2021-06-01T15:23:12Z) - FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。
複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。
得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文 参考訳（メタデータ） (2020-11-14T11:29:55Z) - Distributed Sparse SGD with Majority Voting [5.32836690371986]
分散学習のための分散コミュニケーション戦略として,多数決に基づく疎間コミュニケーション戦略を導入する。
テスト精度を損なうことなく,最大x4000圧縮を達成可能であることを示す。
論文 参考訳（メタデータ） (2020-11-12T17:06:36Z)
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。