論文の概要: Edge Intelligence Over the Air: Two Faces of Interference in Federated Learning

• arxiv url: http://arxiv.org/abs/2306.10299v1
• Date: Sat, 17 Jun 2023 09:04:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 23:15:47.963407
• Title: Edge Intelligence Over the Air: Two Faces of Interference in Federated Learning
• Title（参考訳）: 空気中のエッジインテリジェンス:フェデレートラーニングにおける干渉の2つの側面
• Authors: Zihan Chen, Howard H. Yang, Tony Q. S. Quek
• Abstract要約: フェデレートされたエッジ学習は、次世代無線ネットワークにおけるインテリジェンスの実現の基盤として考えられている。 本稿では,無線によるエッジ学習システムにおける干渉の肯定的および否定的影響について概説する。
• 参考スコア（独自算出の注目度）: 95.31679010587473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated edge learning is envisioned as the bedrock of enabling intelligence in next-generation wireless networks, but the limited spectral resources often constrain its scalability. In light of this challenge, a line of recent research suggested integrating analog over-the-air computations into federated edge learning systems, to exploit the superposition property of electromagnetic waves for fast aggregation of intermediate parameters and achieve (almost) unlimited scalability. Over-the-air computations also benefit the system in other aspects, such as low hardware cost, reduced access latency, and enhanced privacy protection. Despite these advantages, the interference introduced by wireless communications also influences various aspects of the model training process, while its importance is not well recognized yet. This article provides a comprehensive overview of the positive and negative effects of interference on over-the-air computation-based edge learning systems. The potential open issues and research trends are also discussed.
• Abstract（参考訳）: フェデレーション・エッジ・ラーニングは次世代無線ネットワークにおける知性を実現する基盤として考えられているが、スペクトル資源が限られているためスケーラビリティが制限されることが多い。 この課題を踏まえて、近年の研究では、中間パラメータの高速集約に電磁波の重ね合わせ特性を活用し、(ほぼ)無制限スケーラビリティを実現するために、アナログオーバー・ザ・エア計算を連合エッジ学習システムに統合することを提案した。 オーバーザ・エア計算は、ハードウェアコストの低さ、アクセス遅延の低減、プライバシ保護の強化など、他の面でシステムにもメリットがある。 これらの利点にもかかわらず、無線通信による干渉はモデルトレーニングプロセスの様々な側面にも影響を及ぼすが、その重要性は十分に認識されていない。 本稿では,実機上でのエッジ学習システムにおける干渉の正負の影響について概説する。 潜在的なオープンイシューや研究トレンドについても論じる。

関連論文リスト

• Edge-device Collaborative Computing for Multi-view Classification [9.047284788663776]
  エッジノードとエンドデバイスが相関データと推論計算負荷を共有するエッジでの協調推論について検討する。 本稿では,データ冗長性を効果的に低減し,帯域幅の消費を削減できる選択手法を提案する。 実験結果から、選択的な協調スキームは上記の性能指標間で異なるトレードオフを達成できることが示された。
  論文  参考訳（メタデータ） (2024-09-24T11:07:33Z)
• Robust Federated Learning Over the Air: Combating Heavy-Tailed Noise with Median Anchored Clipping [57.40251549664762]
  重み付き雑音による有害な影響に対処するため,メディアアンコールド・クリッピング (MAC) と呼ばれる新しい勾配クリッピング法を提案する。 また、MAC下でのアナログオーバー・ザ・エア・フェデレーション学習によるモデルトレーニングの収束率の解析式も導出する。
  論文  参考訳（メタデータ） (2024-09-23T15:11:40Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Practical Insights on Incremental Learning of New Human Physical Activity on the Edge [1.494944639485053]
  We focus the intricacies of Edge-based learning, examined the interdeependency between (i) constrained data storage on Edge devices, (ii) limited computer power for training, and (iii) the number of learning classes。
  論文  参考訳（メタデータ） (2023-08-22T16:40:09Z)
• Measuring and Mitigating Interference in Reinforcement Learning [30.38857177546063]
  破滅的な干渉は、多くのネットワークベースの学習システムで一般的である。 価値に基づく強化学習のための干渉の定義と新しい尺度を提供する。
  論文  参考訳（メタデータ） (2023-07-10T20:20:20Z)
• Collaborative Learning over Wireless Networks: An Introductory Overview [84.09366153693361]
  主に、ワイヤレスデバイス間の協調トレーニングに焦点を合わせます。 過去数十年間、多くの分散最適化アルゴリズムが開発されてきた。 データ局所性 – すなわち、各参加デバイスで利用可能なデータがローカルのままである間、共同モデルを協調的にトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-12-07T20:15:39Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Reconfigurable Intelligent Surface Enabled Federated Learning: A Unified Communication-Learning Design Approach [30.1988598440727]
  我々は,デバイス選択,無線トランシーバ設計,RIS構成を協調的に最適化する統一的なコミュニケーション学習最適化問題を開発した。 数値実験により,提案手法は最先端の手法と比較して,学習精度が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-11-20T08:54:13Z)
• Truly Intelligent Reflecting Surface-Aided Secure Communication Using Deep Learning [32.34501171201543]
  本稿では,無線環境における通信のための物理層セキュリティ設計のための機械学習について考察する。 リアルタイムにIRS要素の反射を調整するための深層学習(DL)技術が開発されている。
  論文  参考訳（メタデータ） (2020-04-07T00:48:58Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。