論文の概要: Federated Learning Games for Reconfigurable Intelligent Surfaces via Causal Representations

• arxiv url: http://arxiv.org/abs/2306.01306v1
• Date: Fri, 2 Jun 2023 07:12:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 16:33:53.958917
• Title: Federated Learning Games for Reconfigurable Intelligent Surfaces via Causal Representations
• Title（参考訳）: 因果表現による再構成可能なインテリジェント表面のフェデレーション学習ゲーム
• Authors: Charbel Bou Chaaya, Sumudu Samarakoon, Mehdi Bennis
• Abstract要約: 異種通信環境上でのロバストな再構成可能なインテリジェントサーフェス(RIS)位相シフト構成の問題について検討する。 複数の環境にまたがる不変因果表現を学習し,その位相を予測する。 その結果,因果性に基づく学習は,未知のアウト・オブ・ディストリビューション(OoD)環境において,より15%精度の高い予測器が得られることがわかった。
• 参考スコア（独自算出の注目度）: 44.841460990723114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we investigate the problem of robust Reconfigurable Intelligent Surface (RIS) phase-shifts configuration over heterogeneous communication environments. The problem is formulated as a distributed learning problem over different environments in a Federated Learning (FL) setting. Equivalently, this corresponds to a game played between multiple RISs, as learning agents, in heterogeneous environments. Using Invariant Risk Minimization (IRM) and its FL equivalent, dubbed FL Games, we solve the RIS configuration problem by learning invariant causal representations across multiple environments and then predicting the phases. The solution corresponds to playing according to Best Response Dynamics (BRD) which yields the Nash Equilibrium of the FL game. The representation learner and the phase predictor are modeled by two neural networks, and their performance is validated via simulations against other benchmarks from the literature. Our results show that causality-based learning yields a predictor that is 15% more accurate in unseen Out-of-Distribution (OoD) environments.
• Abstract（参考訳）: 本稿では,ヘテロジニアス通信環境におけるロバスト再構成可能なインテリジェントサーフェス(ris)位相シフト構成の問題点について検討する。 この問題は、フェデレーション学習(fl)設定において、異なる環境上の分散学習問題として定式化されている。 同様に、これは異種環境において学習エージェントとして複数のRIS間でプレイされるゲームに対応する。 Invariant Risk Minimization (IRM) と FL と等価な FL Games を用いて,複数の環境にまたがる不変因果表現を学習し,その位相を予測することによりRIS 構成問題を解く。 この解は、FLゲームのナッシュ平衡を生成するBest Response Dynamics (BRD) に対応する。 表現学習器と位相予測器は2つのニューラルネットワークでモデル化され、その性能は文献の他のベンチマークに対してシミュレーションによって検証される。 その結果、因果関係に基づく学習は、未発見の分散(ood)環境において15%精度の高い予測子が得られることがわかった。

関連論文リスト

• CorrFL: Correlation-Based Neural Network Architecture for Unavailability Concerns in a Heterogeneous IoT Environment [3.9414768019101682]
  連邦学習(FL)パラダイムは、現実の環境での適用を制限するいくつかの課題に直面しています。 これらの課題には、ローカルモデルのアーキテクチャの不均一性と、接続上の問題により分散IoT(Internet of Things)ノードが利用できないことが含まれる。 本稿では,この問題に対処するための表現型学習分野の影響を受け,相関型FL (CorrFL) アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-22T19:23:06Z)
• Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
  本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。 我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。 我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
  論文  参考訳（メタデータ） (2023-05-29T22:51:40Z)
• Learning Optimal Features via Partial Invariance [18.552839725370383]
  不変リスク最小化(IRM)は、複数の環境から堅牢なモデルを学ぶことを目的とした一般的なフレームワークである。 IRMが予測器を過度に抑制できることを示し、これを補うために、$textitpartial invariance$を介して緩和を提案する。 線形設定と、言語と画像データの両方のタスクにおけるディープニューラルネットワークの両方で実施されたいくつかの実験により、結論の検証が可能になった。
  論文  参考訳（メタデータ） (2023-01-28T02:48:14Z)
• Differentially Private Federated Learning via Reconfigurable Intelligent Surface [27.004823731436765]
  フェデレートラーニング(FL)は、分散化されたローカルデータセットを共有せずに、グローバルモデルの協調トレーニングを可能にする。 本稿では,学習精度とプライバシのジレンマを軽減するために,再構成可能インテリジェントサーフェス (RIS) を用いたオーバー・ザ・エア FLシステムを提案する。
  論文  参考訳（メタデータ） (2022-03-31T13:45:02Z)
• Federated Distributionally Robust Optimization for Phase Configuration of RISs [106.4688072667105]
  我々は、教師付き学習環境において、多種多様なRISタイプ上での堅牢な再構成可能なインテリジェントサーフェス(RIS)支援ダウンリンク通信の問題について検討する。 異種RIS設計上のダウンリンク通信を分散的に位相構成を最適化する方法を学ぶ異なる労働者としてモデル化することにより、分散学習問題を解決することができる。 提案アルゴリズムは, 競合するベースラインと比較して, 最悪の分布精度を実現するために, 通信ラウンドを少なくする必要がある。
  論文  参考訳（メタデータ） (2021-08-20T07:07:45Z)
• Robust Reconfigurable Intelligent Surfaces via Invariant Risk and Causal Representations [55.50218493466906]
  本稿では,データ分布の変化に伴うロバスト再構成可能なインテリジェントサーフェス(ris)システム設計の問題について検討する。 不変リスク最小化(IRM)の概念を用いて、複数の環境にまたがる不変因果表現を用いて、予測器が各環境に対して同時に最適となるようにする。 予測器を探すためにニューラルネットワークベースのソリューションを採用し、その性能は経験的リスク最小化に基づく設計に対するシミュレーションによって検証される。
  論文  参考訳（メタデータ） (2021-05-04T21:36:31Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Invariant Risk Minimization Games [48.00018458720443]
  本研究では,複数の環境においてアンサンブルゲームのナッシュ平衡を求めるような不変リスク最小化を行う。 そこで我々は,本実験における最適応答力学と平衡を用いた簡単なトレーニングアルゴリズムを開発し,Arjovskyらの難解な二段階最適化問題よりもはるかに低いばらつきで,同様の,あるいは優れた経験的精度が得られることを示した。
  論文  参考訳（メタデータ） (2020-02-11T21:25:14Z)

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。