論文の概要: Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning
- arxiv url: http://arxiv.org/abs/2306.02990v1
- Date: Mon, 5 Jun 2023 16:01:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 14:02:44.593870
- Title: Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning
- Title（参考訳）: UAV支援フェデレーションエッジ学習のための統合センシング, 計算, 通信
- Authors: Yao Tang, Guangxu Zhu, Wei Xu, Man Hon Cheung, Tat-Ming Lok, Shuguang
Cui
- Abstract要約: フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
- 参考スコア（独自算出の注目度）: 52.7230652428711
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated edge learning (FEEL) enables privacy-preserving model training
through periodic communication between edge devices and the server. Unmanned
Aerial Vehicle (UAV)-mounted edge devices are particularly advantageous for
FEEL due to their flexibility and mobility in efficient data collection. In
UAV-assisted FEEL, sensing, computation, and communication are coupled and
compete for limited onboard resources, and UAV deployment also affects sensing
and communication performance. Therefore, the joint design of UAV deployment
and resource allocation is crucial to achieving the optimal training
performance. In this paper, we address the problem of joint UAV deployment
design and resource allocation for FEEL via a concrete case study of human
motion recognition based on wireless sensing. We first analyze the impact of
UAV deployment on the sensing quality and identify a threshold value for the
sensing elevation angle that guarantees a satisfactory quality of data samples.
Due to the non-ideal sensing channels, we consider the probabilistic sensing
model, where the successful sensing probability of each UAV is determined by
its position. Then, we derive the upper bound of the FEEL training loss as a
function of the sensing probability. Theoretical results suggest that the
convergence rate can be improved if UAVs have a uniform successful sensing
probability. Based on this analysis, we formulate a training time minimization
problem by jointly optimizing UAV deployment, integrated sensing, computation,
and communication (ISCC) resources under a desirable optimality gap constraint.
To solve this challenging mixed-integer non-convex problem, we apply the
alternating optimization technique, and propose the bandwidth, batch size, and
position optimization (BBPO) scheme to optimize these three decision variables
alternately.
- Abstract（参考訳）: Federated Edge Learning(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
UAV支援FEELでは、センシング、計算、通信が結合され、限られたオンボードリソースと競合する。
したがって、最適な訓練性能を達成するためには、UAV配置と資源配分の合同設計が不可欠である。
本稿では,ワイヤレスセンシングに基づく人間の動作認識の具体的ケーススタディを通じて,uavの協調配置設計と感情に対するリソース割り当ての問題に対処する。
まず、UAVの展開が検知品質に与える影響を分析し、データサンプルの良好な品質を保証できるセンシング高度角の閾値を同定する。
非理想的検知チャネルにより、各UAVの検知確率が位置によって決定される確率論的センシングモデルを考える。
次に, FEELトレーニング損失の上限を検知確率の関数として導出する。
理論的には、UAVが均一な検知確率を持つ場合、収束率を改善することができる。
この分析に基づいて,UAV配置,統合センシング,計算,通信(ISCC)リソースを最適な最適性ギャップ制約の下で共同最適化することにより,トレーニング時間最小化問題を定式化する。
この課題を解決するために、交互最適化手法を適用し、これらの3つの決定変数を交互に最適化するための帯域幅、バッチサイズ、位置最適化(BBPO)方式を提案する。
関連論文リスト
- Wireless Federated Learning over UAV-enabled Integrated Sensing and Communication [2.8203310972866382]
本稿では,無人航空機(UAV)を利用した統合型統合学習(FL)における新しい遅延最適化問題について検討する。
ベンチマーク方式と比較して,システム遅延を最大68.54%削減し,高品質な近似解を求めるため,単純かつ効率的な反復アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-11-01T14:25:24Z) - UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。
ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
論文 参考訳（メタデータ） (2024-04-11T03:19:22Z) - Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。
本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
論文 参考訳（メタデータ） (2024-02-05T12:36:08Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - Joint Optimization of Deployment and Trajectory in UAV and IRS-Assisted
IoT Data Collection System [25.32139119893323]
無人航空機(UAV)は多くのモノのインターネット(IoT)システムに適用できる。
UAV-IoT無線チャネルは、時には木や高層建築物によってブロックされることがある。
本稿では,UAVの展開と軌道を最適化することで,システムのエネルギー消費を最小化することを目的とする。
論文 参考訳（メタデータ） (2022-10-27T06:27:40Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z) - Distributed CNN Inference on Resource-Constrained UAVs for Surveillance
Systems: Design and Optimization [43.9909417652678]
無人航空機(UAV)は、広い地域をカバーし、困難で危険な目標地域にアクセスする能力のため、ここ数年で大きな関心を集めている。
コンピュータビジョンと機械学習の進歩により、UAVは幅広いソリューションやアプリケーションに採用されている。
ディープニューラルネットワーク(DNN)は、それらがオンボードで実行されるのを防ぐ、より深く複雑なモデルに向かって進んでいる。
論文 参考訳（メタデータ） (2021-05-23T20:19:43Z) - Privacy-Preserving Federated Learning for UAV-Enabled Networks:
Learning-Based Joint Scheduling and Resource Management [45.15174235000158]
無人航空機(UAV)は、データ収集、人工知能(AI)モデルトレーニング、無線通信をサポートする飛行基地局(BS)として機能する。
モデルトレーニングのためにUAVサーバにデバイスの生データを送信するのは現実的ではない。
本稿では,マルチUAV対応ネットワークのための非同期フェデレーション学習フレームワークを開発する。
論文 参考訳（メタデータ） (2020-11-28T18:58:34Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T14:04:01Z)
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。