論文の概要: Federated Inference with Reliable Uncertainty Quantification over
Wireless Channels via Conformal Prediction
- arxiv url: http://arxiv.org/abs/2308.04237v2
- Date: Fri, 15 Dec 2023 17:30:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 19:09:43.487240
- Title: Federated Inference with Reliable Uncertainty Quantification over
Wireless Channels via Conformal Prediction
- Title（参考訳）: コンフォメーション予測による無線チャネル上の信頼性不確実性定量化を用いたフェデレーション推定
- Authors: Meiyi Zhu, Matteo Zecchin, Sangwoo Park, Caili Guo, Chunyan Feng,
Osvaldo Simeone
- Abstract要約: 本研究では,デバイスとサーバが事前学習された機械学習モデルを共有する無線フェデレーション推論シナリオについて検討する。
WFCP(Wireless Federated conformal Prediction)と呼ばれる新しいプロトコルを導入する。
WFCPは、サーバが生成した予測セットのカバレッジに関して、正式な信頼性を保証することが証明されている。
- 参考スコア（独自算出の注目度）: 43.36472219160387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we consider a wireless federated inference scenario in which
devices and a server share a pre-trained machine learning model. The devices
communicate statistical information about their local data to the server over a
common wireless channel, aiming to enhance the quality of the inference
decision at the server. Recent work has introduced federated conformal
prediction (CP), which leverages devices-to-server communication to improve the
reliability of the server's decision. With federated CP, devices communicate to
the server information about the loss accrued by the shared pre-trained model
on the local data, and the server leverages this information to calibrate a
decision interval, or set, so that it is guaranteed to contain the correct
answer with a pre-defined target reliability level. Previous work assumed
noise-free communication, whereby devices can communicate a single real number
to the server. In this paper, we study for the first time federated CP in a
wireless setting. We introduce a novel protocol, termed wireless federated
conformal prediction (WFCP), which builds on type-based multiple access (TBMA)
and on a novel quantile correction strategy. WFCP is proved to provide formal
reliability guarantees in terms of coverage of the predicted set produced by
the server. Using numerical results, we demonstrate the significant advantages
of WFCP against digital implementations of existing federated CP schemes,
especially in regimes with limited communication resources and/or large number
of devices.
- Abstract（参考訳）: 本稿では,デバイスとサーバが事前学習された機械学習モデルを共有する無線フェデレーション推論シナリオについて考察する。
デバイスは、ローカルデータに関する統計情報を共通の無線チャネルを介してサーバに伝達し、サーバにおける推論決定の質を高める。
最近の研究では、デバイス間通信を利用してサーバの決定の信頼性を向上させるfederated conformal prediction(cp)が導入されている。
連合CPでは、デバイスがローカルデータ上で共有事前学習モデルによって得られた損失に関するサーバ情報と通信し、サーバは、この情報を利用して決定間隔や設定を校正し、予め定義された目標信頼性レベルに正しい回答を含むことが保証される。
以前の作業ではノイズのない通信を想定しており、デバイスは1つの実数をサーバに通信できる。
本稿では,無線環境下での初となるフェデレーションCPについて検討する。
本稿では,タイプベース多重アクセス(TBMA)と新しい量子補正戦略に基づく新しいプロトコルWFCPを提案する。
WFCPは、サーバが生成した予測セットのカバレッジに関して、正式な信頼性を保証することが証明されている。
計算結果を用いて、既存の連合CP方式のデジタル実装に対するWFCPの顕著なアドバンテージを、特に限られた通信資源や多数のデバイスで示している。
関連論文リスト
- Secure Stateful Aggregation: A Practical Protocol with Applications in Differentially-Private Federated Learning [36.42916779389165]
DP-FTRLベースのアプローチは、すでに業界に広く展開されている。
セキュアなステートフルアグリゲーションを導入します。これは、アグリゲーション値のプライベートストレージを可能にする、単純なアグリゲーションのみのデータ構造です。
DP-FTRLをベースとした私的フェデレーション学習を実現するためには,セキュアなステートフルアグリゲーションが十分である。
論文 参考訳（メタデータ） (2024-10-15T07:45:18Z) - SECO: Secure Inference With Model Splitting Across Multi-Server Hierarchy [19.481512634321376]
これは、ユーザが入力データベクトルと複数のサーバノードを分割ニューラルネットワークモデルで配置して、予測を協調的に計算することを可能にするセキュアな推論プロトコルである。
我々は,マルチパーティ同型暗号化とマルチパーティのガーブロード回路方式を採用し,半正直なサーバの不正な多数に対してシステムを保護する。
論文 参考訳（メタデータ） (2024-04-24T22:24:52Z) - FedMPQ: Secure and Communication-Efficient Federated Learning with Multi-codebook Product Quantization [12.83265009728818]
本稿では,フェデレート学習のための新しいアップリンク通信圧縮手法であるFedMPQを提案する。
従来の研究とは対照的に,本手法では,データが独立かつ同一に分散されていないシナリオにおいて,より堅牢性を示す。
LEAFデータセットを用いて実験を行った結果,提案手法はベースラインの最終精度の99%を達成できた。
論文 参考訳（メタデータ） (2024-04-21T08:27:36Z) - Practical quantum secure direct communication with squeezed states [55.41644538483948]
CV-QSDCシステムの最初の実験実験を行い,その安全性について報告する。
この実現は、将来的な脅威のない量子大都市圏ネットワークへの道を歩み、既存の高度な波長分割多重化(WDM)システムと互換性がある。
論文 参考訳（メタデータ） (2023-06-25T19:23:42Z) - Conformal Prediction for Federated Uncertainty Quantification Under
Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。
我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文 参考訳（メタデータ） (2023-06-08T11:54:58Z) - Interference Distribution Prediction for Link Adaptation in
Ultra-Reliable Low-Latency Communications [71.0558149440701]
リンク適応(LA)はURLLCを実現するボトルネックの一つと考えられている。
本稿では,ユーザの干渉信号と雑音比の予測に焦点をあて,LAを増強する。
干渉の時間相関を利用することがURLLCの重要な有効性であることを示す。
論文 参考訳（メタデータ） (2020-07-01T07:59:35Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z) - Convergence of Update Aware Device Scheduling for Federated Learning at
the Wireless Edge [84.55126371346452]
遠隔パラメータサーバ(PS)の助けを借りて、ローカルデータセットを持つパワー制限デバイスが共同でジョイントモデルを訓練する無線エッジにおけるフェデレーション学習について研究する。
各ラウンドで送信するデバイスのサブセットを決定する新しいスケジューリングとリソース割り当てポリシーを設計する。
数値実験の結果,提案したスケジューリングポリシーは,チャネル条件と局所モデル更新の重要性の両方に基づいており,両者の指標のみに基づくスケジューリングポリシーよりも長期的性能がよいことがわかった。
論文 参考訳（メタデータ） (2020-01-28T15:15:22Z)
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。