論文の概要: A Blockchain-empowered Multi-Aggregator Federated Learning Architecture
in Edge Computing with Deep Reinforcement Learning Optimization
- arxiv url: http://arxiv.org/abs/2310.09665v1
- Date: Sat, 14 Oct 2023 20:47:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 01:55:04.063033
- Title: A Blockchain-empowered Multi-Aggregator Federated Learning Architecture
in Edge Computing with Deep Reinforcement Learning Optimization
- Title(参考訳): 深層強化学習最適化を用いたエッジコンピューティングにおけるブロックチェーン型マルチアグリゲータフェデレーション学習アーキテクチャ
- Authors: Xiao Li and Weili Wu
- Abstract要約: フェデレーテッド・ラーニング(FL)は、機械学習アーキテクチャの追求の結果として登場した。
ネットワークインフラの進歩により、FLはエッジコンピューティングにシームレスに統合された。
ブロックチェーン技術はセキュリティを強化することを約束するが、リソース制約のあるエッジデバイスへの実践的なデプロイは依然として課題だ。
- 参考スコア(独自算出の注目度): 8.082460100928358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) is emerging as a sought-after distributed machine
learning architecture, offering the advantage of model training without direct
exposure of raw data. With advancements in network infrastructure, FL has been
seamlessly integrated into edge computing. However, the limited resources on
edge devices introduce security vulnerabilities to FL in the context. While
blockchain technology promises to bolster security, practical deployment on
resource-constrained edge devices remains a challenge. Moreover, the
exploration of FL with multiple aggregators in edge computing is still new in
the literature. Addressing these gaps, we introduce the Blockchain-empowered
Heterogeneous Multi-Aggregator Federated Learning Architecture (BMA-FL). We
design a novel light-weight Byzantine consensus mechanism, namely PBCM, to
enable secure and fast model aggregation and synchronization in BMA-FL. We also
dive into the heterogeneity problem in BMA-FL that the aggregators are
associated with varied number of connected trainers with Non-IID data
distributions and diverse training speed. We proposed a multi-agent deep
reinforcement learning algorithm to help aggregators decide the best training
strategies. The experiments on real-word datasets demonstrate the efficiency of
BMA-FL to achieve better models faster than baselines, showing the efficacy of
PBCM and proposed deep reinforcement learning algorithm.
- Abstract(参考訳): フェデレーテッド・ラーニング(FL)は、生データを直接露出することなく、モデルトレーニングの利点を提供する分散型機械学習アーキテクチャとして、求められている。
ネットワークインフラストラクチャの進歩により、flはエッジコンピューティングにシームレスに統合されている。
しかし、エッジデバイス上の限られたリソースは、FLのコンテキストにセキュリティ上の脆弱性をもたらす。
ブロックチェーン技術はセキュリティを強化することを約束するが、リソース制約のあるエッジデバイスへの実践的なデプロイは依然として課題だ。
さらに、エッジコンピューティングにおける複数のアグリゲータによるFLの探索は、文献ではまだ新しいものである。
これらのギャップに対処するために,我々は,ブロックチェーンによるマルチアグリゲータ・フェデレーション学習アーキテクチャ(bma-fl)を紹介する。
我々は,BMA-FLにおけるセキュアで高速なモデルアグリゲーションと同期を実現するために,新しい軽量ビザンチンコンセンサス機構PBCMを設計する。
また,BMA-FLにおける不均一性問題として,非IIDデータ分布と多種多様なトレーニング速度を持つ多種多様なコネクテッドトレーナーとアグリゲータを関連づける。
我々は,アグリゲータが最善のトレーニング戦略を決定するのに役立つマルチエージェント深層強化学習アルゴリズムを提案する。
実単語データセットを用いた実験では,BMA-FLがベースラインよりも高速なモデルの実現に有効であることを示し,PBCMの有効性と深層強化学習アルゴリズムを提案する。
関連論文リスト
- Decentralized Federated Unlearning on Blockchain [27.614497435862766]
FLプロセスの完全性とトレーサビリティを保証するために、フェデレートドラーニング(FL)が注目を集めている。
本稿では,Chameleon Hash(CH)技術を用いてブロックチェーン構造を再設計する汎用フレームワークであるBlockFULを提案する。
我々は、勾配上昇と再学習という2つの典型的なアンラーニング手法の総合的研究を行い、効率的なアンラーニングワークフローを実証した。
論文 参考訳(メタデータ) (2024-02-26T04:31:53Z) - Efficient Cluster Selection for Personalized Federated Learning: A
Multi-Armed Bandit Approach [2.5477011559292175]
フェデレートラーニング(FL)は、データプライバシを優先する、マシンラーニングモデルのための分散トレーニングアプローチを提供する。
本稿では,マルチアームバンディット(MAB)アプローチに触発された動的アッパー信頼境界(dUCB)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-29T16:46:50Z) - Towards Cooperative Federated Learning over Heterogeneous Edge/Fog
Networks [49.19502459827366]
フェデレートラーニング(FL)は、エッジ/フォグネットワーク上で機械学習(ML)モデルをトレーニングするための一般的なテクニックとして推奨されている。
FLの従来の実装は、ネットワーク間協力の可能性を大きく無視してきた。
我々は,デバイス・ツー・デバイス(D2D)とデバイス・ツー・サーバ(D2S)インタラクションに基づいて構築された協調的エッジ/フォグMLパラダイムである協調的連合学習(CFL)を提唱する。
論文 参考訳(メタデータ) (2023-03-15T04:41:36Z) - Trustworthy Federated Learning via Blockchain [30.887469477336783]
統合学習(FL)は、コラボレーティブデバイス上でグローバルAIモデルをトレーニングするための、有望なプライバシ保護フレームワークとみなされている。
FLフレームワークには、悪意のあるデバイスからのビザンチン攻撃や、悪意のあるサーバからのモデル改ざん攻撃など、セキュリティ上の課題がまだ残っている。
セキュアなグローバルアグリゲーションアルゴリズムを用いて、悪意のあるデバイスに抵抗する分散FL(B-FL)アーキテクチャを提案する。
我々は,B-FLがエッジデバイスやサーバからの悪意ある攻撃に抵抗できることを示し,B-FLのトレーニング遅延を深層強化学習に基づくアルゴリズムにより著しく低減できることを示した。
論文 参考訳(メタデータ) (2022-08-13T03:43:10Z) - Efficient Split-Mix Federated Learning for On-Demand and In-Situ
Customization [107.72786199113183]
フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。
本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
論文 参考訳(メタデータ) (2022-03-18T04:58:34Z) - Latency Optimization for Blockchain-Empowered Federated Learning in
Multi-Server Edge Computing [24.505675843652448]
本稿では,マルチサーバエッジコンピューティングにおけるフェデレーション学習(BFL)のための新しいレイテンシ最適化問題について検討する。
このシステムモデルでは、分散モバイルデバイス(MD)がエッジサーバ(ES)と通信し、機械学習(ML)モデルのトレーニングとブロックマイニングの両方を同時に処理する。
論文 参考訳(メタデータ) (2022-03-18T00:38:29Z) - APPFL: Open-Source Software Framework for Privacy-Preserving Federated
Learning [0.0]
フェデレートラーニング(FL)は、従来の機械学習のように、データを中央の場所に転送する代わりに、異なる場所でトレーニングモデルを実行し、トレーニングから重みを更新することを可能にする。
本稿では,Argonneのプライバシ保護フェデレート学習フレームワークであるAPPFLを紹介する。
APPFLは、実装されたプライバシ保存アルゴリズムを活用し、新しいアルゴリズムを実装し、さまざまなFLアルゴリズムをプライバシ保存技術でシミュレートし、デプロイすることを可能にする。
論文 参考訳(メタデータ) (2022-02-08T06:23:05Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳(メタデータ) (2020-12-01T11:46:03Z) - Toward Multiple Federated Learning Services Resource Sharing in Mobile
Edge Networks [88.15736037284408]
本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。
共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。
シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
論文 参考訳(メタデータ) (2020-11-25T01:29:41Z) - FedML: A Research Library and Benchmark for Federated Machine Learning [55.09054608875831]
フェデレート・ラーニング(Federated Learning, FL)は、機械学習の分野で急速に成長している研究分野である。
既存のFLライブラリは多様なアルゴリズム開発を適切にサポートできない。
FLアルゴリズムの開発と公正な性能比較を容易にするための,オープンな研究ライブラリとベンチマークであるFedMLを紹介する。
論文 参考訳(メタデータ) (2020-07-27T13:02:08Z) - Resource Management for Blockchain-enabled Federated Learning: A Deep
Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。
BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。
我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文 参考訳(メタデータ) (2020-04-08T16:29:19Z)
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。