論文の概要: User Assignment and Resource Allocation for Hierarchical Federated
Learning over Wireless Networks
- arxiv url: http://arxiv.org/abs/2309.09253v1
- Date: Sun, 17 Sep 2023 12:10:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 16:29:46.917325
- Title: User Assignment and Resource Allocation for Hierarchical Federated
Learning over Wireless Networks
- Title（参考訳）: 階層型連合学習における無線ネットワーク上のユーザ割当とリソース割当
- Authors: Tinghao Zhang, Kwok-Yan Lam, Jun Zhao
- Abstract要約: 階層FL(Hierarchical FL)は、効率的なリソース割り当てと適切なユーザ割り当てによって、エネルギー消費とレイテンシを低減する。
本稿では,スペクトル資源最適化アルゴリズム(SROA)とHFLのための2段階CPUアルゴリズム(TSIA)を提案する。
実験により,提案したHFLフレームワークは,エネルギーと遅延低減に関する既存の研究よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 20.09415156099031
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The large population of wireless users is a key driver of data-crowdsourced
Machine Learning (ML). However, data privacy remains a significant concern.
Federated Learning (FL) encourages data sharing in ML without requiring data to
leave users' devices but imposes heavy computation and communications overheads
on mobile devices. Hierarchical FL (HFL) alleviates this problem by performing
partial model aggregation at edge servers. HFL can effectively reduce energy
consumption and latency through effective resource allocation and appropriate
user assignment. Nevertheless, resource allocation in HFL involves optimizing
multiple variables, and the objective function should consider both energy
consumption and latency, making the development of resource allocation
algorithms very complicated. Moreover, it is challenging to perform user
assignment, which is a combinatorial optimization problem in a large search
space. This article proposes a spectrum resource optimization algorithm (SROA)
and a two-stage iterative algorithm (TSIA) for HFL. Given an arbitrary user
assignment pattern, SROA optimizes CPU frequency, transmit power, and bandwidth
to minimize system cost. TSIA aims to find a user assignment pattern that
considerably reduces the total system cost. Experimental results demonstrate
the superiority of the proposed HFL framework over existing studies in energy
and latency reduction.
- Abstract（参考訳）: 無線利用者の多さは、データソース機械学習(ML)のキードライバーである。
しかし、データのプライバシーは依然として大きな問題だ。
フェデレートラーニング(FL)は、ユーザのデバイスを離れるデータを必要とせずにML内のデータ共有を奨励するが、モバイルデバイスに大量の計算と通信のオーバーヘッドを課す。
階層型fl(hfl)はエッジサーバで部分モデル集約を行うことでこの問題を軽減する。
HFLは、効率的なリソース割り当てと適切なユーザ割り当てによって、エネルギー消費とレイテンシーを効果的に削減できる。
それでも、HFLのリソース割り当てには複数の変数の最適化が伴い、目的関数はエネルギー消費と遅延の両方を考慮すべきであり、リソース割り当てアルゴリズムの開発は非常に複雑である。
さらに,大規模な検索空間における組合せ最適化問題であるユーザ割当を行うことも困難である。
本稿では,スペクトル資源最適化アルゴリズム(SROA)とHFLのための2段階反復アルゴリズム(TSIA)を提案する。
任意のユーザ割り当てパターンが与えられた場合、SROAはCPU周波数、送信電力、帯域幅を最適化し、システムコストを最小限に抑える。
TSIAの目的は、システム全体のコストを大幅に削減するユーザー割り当てパターンを見つけることである。
実験結果は,既存のエネルギー・レイテンシ低減研究よりもhflフレームワークが優れていることを示した。
関連論文リスト
- Model Partition and Resource Allocation for Split Learning in Vehicular Edge Networks [24.85135243655983]
本稿では,これらの課題に対処する新しいU字型分割学習(U-SFL)フレームワークを提案する。
U-SFLは、生のデータとラベルの両方をVU側に置くことで、プライバシー保護を強化することができる。
通信効率を最適化するために,送信データの次元を著しく低減する意味認識型自動エンコーダ(SAE)を導入する。
論文 参考訳（メタデータ） (2024-11-11T07:59:13Z) - Client Orchestration and Cost-Efficient Joint Optimization for
NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。
提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-03T13:34:44Z) - Wirelessly Powered Federated Learning Networks: Joint Power Transfer,
Data Sensing, Model Training, and Resource Allocation [24.077525032187893]
フェデレートラーニング(FL)は、無線ネットワークで多くの成功を収めている。
FLの実装は、モバイルデバイス(MD)のエネルギー制限と、MDにおけるトレーニングデータの可用性によって妨げられている。
無線送電と持続可能なFLネットワークの統合
論文 参考訳（メタデータ） (2023-08-09T13:38:58Z) - 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) - Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。
本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。
提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
論文 参考訳（メタデータ） (2023-05-15T22:04:49Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - 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) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z)
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。