論文の概要: Data-Efficient Energy-Aware Participant Selection for UAV-Enabled Federated Learning

• arxiv url: http://arxiv.org/abs/2308.07273v1
• Date: Mon, 14 Aug 2023 17:00:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 12:17:00.378737
• Title: Data-Efficient Energy-Aware Participant Selection for UAV-Enabled Federated Learning
• Title（参考訳）: uav対応連合学習のためのデータ効率の高いエネルギー・アウェア参加者選択
• Authors: Youssra Cheriguene, Wael Jaafar, Chaker Abdelaziz Kerrache, Halim Yanikomeroglu, Fatima Zohra Bousbaa, and Nasreddine Lagraa
• Abstract要約: 無人航空機(UAV)対応エッジフェデレーション学習(FL)は、研究の関心を喚起している。 UAV収集データの冗長性、例えば撮像データ、非厳密なFL選択の選択により、FL学習過程の収束時間とFLモデルのバイアスが増大する。 DEEPS(Data- efficient energy-aware participants selection strategy)と呼ばれる新しいUAV参加選択方式を提案する。
• 参考スコア（独自算出の注目度）: 18.93536585798473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned aerial vehicle (UAV)-enabled edge federated learning (FL) has sparked a rise in research interest as a result of the massive and heterogeneous data collected by UAVs, as well as the privacy concerns related to UAV data transmissions to edge servers. However, due to the redundancy of UAV collected data, e.g., imaging data, and non-rigorous FL participant selection, the convergence time of the FL learning process and bias of the FL model may increase. Consequently, we investigate in this paper the problem of selecting UAV participants for edge FL, aiming to improve the FL model's accuracy, under UAV constraints of energy consumption, communication quality, and local datasets' heterogeneity. We propose a novel UAV participant selection scheme, called data-efficient energy-aware participant selection strategy (DEEPS), which consists of selecting the best FL participant in each sub-region based on the structural similarity index measure (SSIM) average score of its local dataset and its power consumption profile. Through experiments, we demonstrate that the proposed selection scheme is superior to the benchmark random selection method, in terms of model accuracy, training time, and UAV energy consumption.
• Abstract（参考訳）: 無人航空機(UAV)対応エッジフェデレーション学習(FL)は、UAVが収集した大規模で異質なデータと、UAVデータ送信に関するプライバシー上の懸念の結果、研究の関心を喚起している。 しかし、UAV収集データの冗長性、例えば撮像データ、非剛性FL選択の選択により、FL学習過程の収束時間とFLモデルのバイアスが増大する可能性がある。 そこで本稿では,エネルギー消費,通信品質,局所データセットの不均一性の制約の下で,FLモデルの精度向上を目的としたエッジFLのUAV参加者選択の問題について検討する。 本稿では,そのローカルデータセットのssim(structure similarity index measure)平均スコアとその消費電力プロファイルに基づいて,各サブリージョンにおける最良fl参加者を選択することからなる,データ効率の高いエネルギー・アウェア参加者選択戦略(deeps)と呼ばれる新しいuav参加者選択手法を提案する。 実験により,提案手法はモデル精度,トレーニング時間,UAVエネルギー消費の観点から,ベンチマークランダム選択法よりも優れていることを示した。

関連論文リスト

• Towards Reliable Participation in UAV-Enabled Federated Edge Learning on Non-IID Data [22.775113283662883]
  Federated Learning(FL)は、多くの参加者が共同でMLモデルをトレーニングできる、分散機械学習(ML)技術である。 FLは、悪意のあるUAVが有毒なローカルモデルをFLサーバーにアップロードする攻撃によって標的にすることができる。 本稿では,信頼性の高い高速UAVを優先することで収束性を高める新しいクライアント選択方式を提案する。
  論文  参考訳（メタデータ） (2023-12-16T10:35:06Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  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。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• DPP-based Client Selection for Federated Learning with Non-IID Data [97.1195165400568]
  本稿では,統合学習(FL)のコミュニケーションボトルネックに対処するクライアント選択(CS)手法を提案する。 まず、FLにおけるCSの効果を分析し、各学習ラウンドにおけるトレーニングデータセットの多様化に参加者を適切に選択することで、FLトレーニングを加速させることができることを示す。 我々は、データプロファイリングと決定点プロセス(DPP)サンプリング技術を活用し、DPPに基づく参加者選択(FL-DP$3$S)によるフェデレートラーニング(Federated Learning)と呼ばれるアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-03-30T13:14:54Z)
• A Survey on Participant Selection for Federated Learning in Mobile Networks [47.88372677863646]
  Federated Learning(FL)は、プライベートデータセットをプライバシ保護の方法で使用する、効率的な分散機械学習パラダイムである。 モバイルネットワークにおける通信帯域が限られており、不安定なデバイスが利用できるため、各ラウンドで選択できる端末はごくわずかである。
  論文  参考訳（メタデータ） (2022-07-08T04:22:48Z)
• Federated Learning Over Cellular-Connected UAV Networks with Non-IID Datasets [19.792426676330212]
  フェデレートラーニング(FL)は有望な分散ラーニング技術である。 本稿では,セルラー接続型無人航空機(UAV)ネットワーク上での新しいFLモデルを提案する。 本稿では,セル接続型UAVネットワークにおけるアップリンク停止確率の抽出可能な解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-13T23:15:20Z)
• UAV Trajectory Planning in Wireless Sensor Networks for Energy Consumption Minimization by Deep Reinforcement Learning [4.273341750394231]
  無線センサネットワーク(WSN)のデータ収集のための有望なソリューションとして無人航空機(UAV)が登場している。 データ収集の全ラウンドでUAV-WSNシステムの総エネルギー消費を最小化することを目的としている。 本稿では,UAVトラジェクトリポリシの経験から効率よく学習できる新しいディープ強化学習手法,ポインタネットワークA*(Ptr-A*)を提案する。
  論文  参考訳（メタデータ） (2021-08-01T03:02:11Z)
• A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
  フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。 本稿では,FL に対応する SV の変種を提案する。
  論文  参考訳（メタデータ） (2020-09-14T04:37:54Z)
• 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。