論文の概要: FedDCT: A Dynamic Cross-Tier Federated Learning Scheme in Wireless
Communication Networks
- arxiv url: http://arxiv.org/abs/2307.04420v1
- Date: Mon, 10 Jul 2023 08:54:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 13:42:38.039082
- Title: FedDCT: A Dynamic Cross-Tier Federated Learning Scheme in Wireless
Communication Networks
- Title(参考訳): FedDCT - 無線通信ネットワークにおける動的クロスティアフェデレーション学習方式
- Authors: Peng Liu, Youquan Xian, Chuanjian Yao, Xiaoyun Gan, Lianghaojie Zhou,
Jianyong Jiang, Dongcheng Li
- Abstract要約: フェデレートラーニング(FL)は、クライアント間で、ローカルデータを公開せずにグローバルモデルのトレーニングを可能にする。
我々は、無線通信ネットワークにおけるトレーニング精度と性能を向上させるために、FedDCTと呼ばれる新しい動的クロス層FLスキームを提案する。
- 参考スコア(独自算出の注目度): 1.973745731206255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid proliferation of Internet of Things (IoT) devices and the
growing concern for data privacy among the public, Federated Learning (FL) has
gained significant attention as a privacy-preserving machine learning paradigm.
FL enables the training of a global model among clients without exposing local
data. However, when a federated learning system runs on wireless communication
networks, limited wireless resources, heterogeneity of clients, and network
transmission failures affect its performance and accuracy. In this study, we
propose a novel dynamic cross-tier FL scheme, named FedDCT to increase training
accuracy and performance in wireless communication networks. We utilize a
tiering algorithm that dynamically divides clients into different tiers
according to specific indicators and assigns specific timeout thresholds to
each tier to reduce the training time required. To improve the accuracy of the
model without increasing the training time, we introduce a cross-tier client
selection algorithm that can effectively select the tiers and participants.
Simulation experiments show that our scheme can make the model converge faster
and achieve a higher accuracy in wireless communication networks.
- Abstract(参考訳): IoT(Internet of Things)デバイスが急速に普及し、一般の人々の間でデータプライバシに対する懸念が高まっている中、フェデレートラーニング(FL)は、プライバシ保護機械学習パラダイムとして大きな注目を集めている。
FLは、ローカルデータを公開せずに、クライアント間でグローバルモデルのトレーニングを可能にする。
しかし、連合学習システムが無線通信ネットワーク上で動作する場合、限られた無線リソース、クライアントの不均一性、ネットワーク伝送障害はその性能と精度に影響を及ぼす。
本研究では,無線通信ネットワークにおけるトレーニング精度と性能を向上させるために,FedDCTという動的クロス層FL方式を提案する。
階層化アルゴリズムを用いて,クライアントを異なる階層に動的に分割し,各階層に特定のタイムアウトしきい値を割り当て,必要なトレーニング時間を短縮する。
トレーニング時間を増やすことなくモデルの精度を向上させるために、階層と参加者を効果的に選択できるクロス層クライアント選択アルゴリズムを導入する。
シミュレーション実験により,提案手法により,無線通信網におけるモデル収束の高速化と高精度化が図られた。
関連論文リスト
- FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳(メタデータ) (2023-09-18T12:35:05Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳(メタデータ) (2023-09-04T21:10:45Z) - 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) - CFLIT: Coexisting Federated Learning and Information Transfer [18.30671838758503]
本研究では,モバイルエッジネットワークにおける無線放送と従来型情報伝達(IT)の共存性について検討する。
FLとITデバイスがOFDMシステムで無線スペクトルを共有するCFLIT(Commanded Learning and Information Transfer)通信フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-26T13:17:28Z) - Federated Dynamic Sparse Training: Computing Less, Communicating Less,
Yet Learning Better [88.28293442298015]
Federated Learning (FL)は、クラウドからリソース制限されたエッジデバイスへの機械学習ワークロードの分散を可能にする。
我々は、FedDST(Federated Dynamic Sparse Training)と呼ばれる新しいFLフレームワークを開発し、実装し、実験的に検証する。
FedDSTは、ターゲットのフルネットワークからスパースサブネットワークを抽出し、訓練する動的プロセスである。
論文 参考訳(メタデータ) (2021-12-18T02:26:38Z) - Spatio-Temporal Federated Learning for Massive Wireless Edge Networks [23.389249751372393]
エッジサーバと多数のモバイルデバイス(クライアント)は、モバイルデバイスが収集した膨大なデータをエッジサーバに転送することなく、グローバルモデルを共同で学習する。
提案手法は,STFLに参加する予定の様々なモバイルデバイスからの学習更新の空間的および時間的相関を利用している。
収束性能を用いてSTFLの学習能力を研究するために,STFLの分析フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T16:46:45Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳(メタデータ) (2021-10-22T13:25:57Z) - Dynamic Attention-based Communication-Efficient Federated Learning [85.18941440826309]
フェデレートラーニング(FL)は、グローバル機械学習モデルをトレーニングするためのソリューションを提供する。
FLは、クライアントデータの分散が非IIDであるときに性能劣化に悩まされる。
本稿では,この劣化に対処するために,新しい適応トレーニングアルゴリズムであるtextttAdaFL$を提案する。
論文 参考訳(メタデータ) (2021-08-12T14:18:05Z) - Convergence Analysis and System Design for Federated Learning over
Wireless Networks [16.978276697446724]
フェデレートラーニング(FL)は、IoTにおいて重要かつ有望な学習スキームとして登場した。
FLトレーニングは、無線通信ネットワークに大きく影響される頻繁なモデル交換を必要とします。
本論文では,コミュニケーションネットワークとトレーニング設定の協調影響を考慮したFLトレーニングの収束率を解析する。
論文 参考訳(メタデータ) (2021-04-30T02:33:29Z) - On the Convergence Time of Federated Learning Over Wireless Networks
Under Imperfect CSI [28.782485580296374]
チャネル統計をバイアスとして,不完全なcsi下での収束時間を最小化するトレーニングプロセスを提案する。
また,学習過程に関わるクライアント数とモデル精度とのトレードオフを,異なる失明状態の関数として検討した。
論文 参考訳(メタデータ) (2021-04-01T08:30:45Z)
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。