論文の概要: Federated Linear Bandit Learning via Over-the-Air Computation

• arxiv url: http://arxiv.org/abs/2308.13298v2
• Date: Mon, 28 Aug 2023 04:21:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 10:54:29.563091
• Title: Federated Linear Bandit Learning via Over-the-Air Computation
• Title（参考訳）: オーバーザ・エア計算による線形バンディット学習
• Authors: Jiali Wang and Yuning Jiang and Xin Liu and Ting Wang and Yuanming Shi
• Abstract要約: サーバと複数のデバイスから構成される無線システムにおけるコンテキスト線形帯域学習について検討する。 主な目的は、有限時間地平線内のすべてのデバイスにおける累積的後悔を最小限にすることである。 本稿では、各デバイスがアナログ信号を送信し、サーバがチャネルノイズによって歪んだこれらの信号の重畳を受信する、カスタマイズされた線形バンディット方式を提案する。
• 参考スコア（独自算出の注目度）: 42.69435493503121
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we investigate federated contextual linear bandit learning within a wireless system that comprises a server and multiple devices. Each device interacts with the environment, selects an action based on the received reward, and sends model updates to the server. The primary objective is to minimize cumulative regret across all devices within a finite time horizon. To reduce the communication overhead, devices communicate with the server via over-the-air computation (AirComp) over noisy fading channels, where the channel noise may distort the signals. In this context, we propose a customized federated linear bandits scheme, where each device transmits an analog signal, and the server receives a superposition of these signals distorted by channel noise. A rigorous mathematical analysis is conducted to determine the regret bound of the proposed scheme. Both theoretical analysis and numerical experiments demonstrate the competitive performance of our proposed scheme in terms of regret bounds in various settings.
• Abstract（参考訳）: 本稿では,サーバと複数のデバイスから構成される無線システムにおけるコンテキスト線形帯域学習について検討する。 各デバイスは環境と相互作用し、受信した報酬に基づいてアクションを選択し、サーバにモデル更新を送信する。 主な目的は、有限時間地平線内のすべてのデバイスにおける累積的後悔を最小限にすることである。 通信オーバヘッドを低減するため、デバイスはノイズのあるフェーディングチャネル上のオーバー・ザ・エア計算(AirComp)を介してサーバと通信する。 そこで本研究では,各デバイスがアナログ信号を送信し,サーバがチャネルノイズによって歪んだ信号の重ね合わせを受信する,カスタマイズしたフェデレーション線形バンディットスキームを提案する。 提案手法の後悔の束縛を決定するために厳密な数学的解析を行う。 理論的解析と数値実験の両方で,提案手法の競合性能を,様々な設定における後悔境界の観点から実証した。

関連論文リスト

• Collaborative Edge AI Inference over Cloud-RAN [37.3710464868215]
  クラウド無線アクセスネットワーク(Cloud-RAN)ベースの協調エッジAI推論アーキテクチャを提案する。 具体的には、地理的に分散したデバイスが、リアルタイムのノイズ破壊センサデータサンプルをキャプチャし、ノイズの多い局所特徴ベクトルを抽出する。 我々は,各RRHが同一リソースブロック上の全デバイスから局所的特徴ベクトルを同時に受信することを可能にする。 これらの集約された特徴ベクトルは量子化され、さらに集約および下流推論タスクのために中央プロセッサに送信される。
  論文  参考訳（メタデータ） (2024-04-09T04:26:16Z)
• Rendering Wireless Environments Useful for Gradient Estimators: A Zero-Order Stochastic Federated Learning Method [14.986031916712108]
  クロスデバイスフェデレーション学習(FL)は成長する機械学習フレームワークであり、複数のエッジデバイスが協力して、生データを公開せずにモデルをトレーニングする。 学習アルゴリズム自体において、その影響を解析する代わりに、無線チャネルを利用する方法を示す。
  論文  参考訳（メタデータ） (2024-01-30T21:46:09Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
  WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。 本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:20:16Z)
• Towards an AI-Driven Universal Anti-Jamming Solution with Convolutional Interference Cancellation Network [4.450750414447688]
  ワイヤレスリンクは、重要なサービスを提供するためにますます使われていますが、意図的な干渉(ジャミング)は、そのようなサービスにとって深刻な脅威です。 機械学習の進歩とニューラルアクセラレータとソフトウェア定義無線の約束に依存するアプローチを提案する。 本研究では,2アンテナの試作システムを開発し,様々な環境設定や変調方式におけるジャミングキャンセル手法の評価を行う。
  論文  参考訳（メタデータ） (2022-03-18T03:30:57Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• Federated Learning over Wireless Networks: A Band-limited Coordinated Descent Approach [28.616890702473526]
  ネットワークエッジにおけるフェデレート学習のための多対一無線アーキテクチャについて検討する。 エッジデバイスのローカルアップデートは、利用可能な無線通信リソースに合わせて慎重に作成および圧縮されなければならない。 本稿では,SGDに基づく帯域限定座標降下アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:21:08Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)
• 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)

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。