論文の概要: Sample-Driven Federated Learning for Energy-Efficient and Real-Time IoT
Sensing
- arxiv url: http://arxiv.org/abs/2310.07497v1
- Date: Wed, 11 Oct 2023 13:50:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 22:31:08.176028
- Title: Sample-Driven Federated Learning for Energy-Efficient and Real-Time IoT
Sensing
- Title（参考訳）: エネルギー効率とリアルタイムIoTセンシングのためのサンプル駆動フェデレーション学習
- Authors: Minh Ngoc Luu, Minh-Duong Nguyen, Ebrahim Bedeer, Van Duc Nguyen, Dinh
Thai Hoang, Diep N. Nguyen, Quoc-Viet Pham
- Abstract要約: 我々は,ソフトアクター・クリティカル(A2C)フレームワーク上に構築されたSCFL(Sample-driven Control for Federated Learning)というオンライン強化学習アルゴリズムを導入する。
SCFLにより、エージェントは動的に適応し、変化する環境においてもグローバルな最適条件を見つけることができる。
- 参考スコア（独自算出の注目度）: 22.968661040226756
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the domain of Federated Learning (FL) systems, recent cutting-edge methods
heavily rely on ideal conditions convergence analysis. Specifically, these
approaches assume that the training datasets on IoT devices possess similar
attributes to the global data distribution. However, this approach fails to
capture the full spectrum of data characteristics in real-time sensing FL
systems. In order to overcome this limitation, we suggest a new approach system
specifically designed for IoT networks with real-time sensing capabilities. Our
approach takes into account the generalization gap due to the user's data
sampling process. By effectively controlling this sampling process, we can
mitigate the overfitting issue and improve overall accuracy. In particular, We
first formulate an optimization problem that harnesses the sampling process to
concurrently reduce overfitting while maximizing accuracy. In pursuit of this
objective, our surrogate optimization problem is adept at handling energy
efficiency while optimizing the accuracy with high generalization. To solve the
optimization problem with high complexity, we introduce an online reinforcement
learning algorithm, named Sample-driven Control for Federated Learning (SCFL)
built on the Soft Actor-Critic (A2C) framework. This enables the agent to
dynamically adapt and find the global optima even in changing environments. By
leveraging the capabilities of SCFL, our system offers a promising solution for
resource allocation in FL systems with real-time sensing capabilities.
- Abstract（参考訳）: フェデレーション学習(fl)システムでは、最近の最先端手法は理想的な条件収束解析に大きく依存している。
特にこれらのアプローチは、iotデバイス上のトレーニングデータセットがグローバルデータ分散と同じような特性を持っていると仮定している。
しかし、この手法はリアルタイムセンシングFLシステムにおいて、データ特性の全スペクトルを捉えることができない。
この制限を克服するために、リアルタイムセンシング機能を備えたIoTネットワーク用に設計された新しいアプローチシステムを提案する。
本手法は,ユーザのデータサンプリングプロセスによる一般化ギャップを考慮したものである。
このサンプリングプロセスを効果的に制御することで、オーバーフィッティング問題を軽減し、全体的な精度を向上させることができる。
特に,まずサンプリングプロセスを利用する最適化問題を定式化し,オーバーフィッティングを同時に削減し,精度を最大化する。
この目的を追求するために,我々は高一般化で精度を最適化しながら,エネルギー効率の処理に有効である。
複雑度の高い最適化問題を解くため,ソフトアクター・クリティカル(A2C)フレームワーク上に構築されたSCFL(Sample-driven Control for Federated Learning)というオンライン強化学習アルゴリズムを導入する。
これにより、エージェントは変化する環境においても動的に適応し、グローバルオプティマを見つけることができる。
scflの機能を活用することで,リアルタイムセンシング機能を備えたflシステムにおけるリソース割り当てのための有望なソリューションを提供する。
関連論文リスト
- Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach [34.00679567444125]
本研究では,長期エネルギー制約下でのデータ到着や資源の可利用性に固有のランダム性に対処する動的スケジューリングと資源割当アルゴリズムを開発した。
提案アルゴリズムは, デバイススケジューリング, 計算容量調整, 帯域幅の割り当ておよび各ラウンドの送信電力を適応的に決定する。
本手法の有効性をシミュレーションにより検証し,ベースライン方式と比較して学習性能とエネルギー効率が向上したことを示す。
論文 参考訳（メタデータ） (2024-05-20T14:13:22Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - 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) - AnycostFL: Efficient On-Demand Federated Learning over Heterogeneous
Edge Devices [20.52519915112099]
我々はAny CostFLというコスト調整可能なFLフレームワークを提案し、多様なエッジデバイスがローカル更新を効率的に実行できるようにする。
実験結果から,我々の学習フレームワークは,適切なグローバルテスト精度を実現するために,トレーニング遅延とエネルギー消費の最大1.9倍の削減が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-01-08T15:25:55Z) - Performance Optimization for Variable Bitwidth Federated Learning in
Wireless Networks [103.22651843174471]
本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。
提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。
FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
論文 参考訳（メタデータ） (2022-09-21T08:52:51Z) - Evaluation of Hyperparameter-Optimization Approaches in an Industrial
Federated Learning System [0.2609784101826761]
フェデレートラーニング(FL)は、データに直接アクセスする必要性からモデルのトレーニングを分離する。
本研究では,FLシステムにおける様々なパラメータ最適化手法の影響について検討した。
グリッド探索とベイズ最適化に基づいてこれらの手法を実装し,MNISTデータセットとIoT(Internet of Things)センサを用いた産業用データセットに基づくアルゴリズムの評価を行った。
論文 参考訳（メタデータ） (2021-10-15T17:01:40Z) - Cost-Effective Federated Learning in Mobile Edge Networks [37.16466118235272]
フェデレートラーニング(FL)は、多くのモバイルデバイスが生データを共有せずに協調的にモデルを学習できる分散ラーニングパラダイムである。
本研究は,モバイルエッジネットワークにおける適応FLの設計手法を解析し,本質的な制御変数を最適に選択し,総コストを最小化する。
我々は,収束関連未知パラメータを学習するために,低コストなサンプリングベースアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-09-12T03:02:24Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - FedFog: Network-Aware Optimization of Federated Learning over Wireless
Fog-Cloud Systems [40.421253127588244]
フェデレートラーニング(FL)は、訓練されたローカルパラメータを定期的に集約することで、複数のエッジユーザにわたって大規模な分散機械学習タスクを実行することができる。
まず,フォグサーバにおける勾配パラメータの局所的な集約と,クラウドでのグローバルトレーニング更新を行うための効率的なFLアルゴリズム(FedFog)を提案する。
論文 参考訳（メタデータ） (2021-07-04T08:03:15Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳（メタデータ） (2020-08-29T08:39:43Z)
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。