Fugu-MT 論文翻訳(概要): Blind Federated Learning via Over-the-Air q-QAM

論文の概要: Blind Federated Learning via Over-the-Air q-QAM

arxiv url: http://arxiv.org/abs/2311.04253v2
Date: Fri, 19 Apr 2024 16:25:49 GMT
ステータス: 処理完了
システム内更新日: 2024-04-22 20:07:00.295054
Title: Blind Federated Learning via Over-the-Air q-QAM
Title（参考訳）: 無線Q-QAMによるブラインドフェデレーション学習
Authors: Saeed Razavikia, José Mairton Barros Da Silva Júnior, Carlo Fischione,
Abstract要約: フェデレートされた複数のチャネル上でのエッジ学習について検討する。我々は、連合アップリンク・ザ・エアチャネル上での先駆的なデジタル・ザ・エア変調を導入する。エッジサーバのアンテナ数と高次変調の採用により,精度が最大60%向上することが判明した。
参考スコア（独自算出の注目度）: 11.956183457374186
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this work, we investigate federated edge learning over a fading multiple access channel. To alleviate the communication burden between the edge devices and the access point, we introduce a pioneering digital over-the-air computation strategy employing q-ary quadrature amplitude modulation, culminating in a low latency communication scheme. Indeed, we propose a new federated edge learning framework in which edge devices use digital modulation for over-the-air uplink transmission to the edge server while they have no access to the channel state information. Furthermore, we incorporate multiple antennas at the edge server to overcome the fading inherent in wireless communication. We analyze the number of antennas required to mitigate the fading impact effectively. We prove a non-asymptotic upper bound for the mean squared error for the proposed federated learning with digital over-the-air uplink transmissions under both noisy and fading conditions. Leveraging the derived upper bound, we characterize the convergence rate of the learning process of a non-convex loss function in terms of the mean square error of gradients due to the fading channel. Furthermore, we substantiate the theoretical assurances through numerical experiments concerning mean square error and the convergence efficacy of the digital federated edge learning framework. Notably, the results demonstrate that augmenting the number of antennas at the edge server and adopting higher-order modulations improve the model accuracy up to 60\%.
Abstract（参考訳）: 本研究では,フェデレーション付きエッジ学習を,フェデレーション型マルチアクセスチャネル上で検討する。エッジデバイスとアクセスポイント間の通信負担を軽減するため,Q-aryの2次振幅変調を用いた先駆的なディジタルオーバー・ザ・エア計算方式を導入し,低遅延通信方式で実現した。実際、我々は、エッジデバイスがチャネル状態情報にアクセスできない状態で、エッジサーバへのオーバー・ザ・エア・アップリンク送信にデジタル変調を使用する新しいフェデレーションエッジ学習フレームワークを提案する。さらに、エッジサーバに複数のアンテナを組み込んで、無線通信に固有の色合いを克服する。我々は、フェージング効果を効果的に緩和するために必要なアンテナ数を分析する。ノイズとフェーディング条件の両条件下で,デジタル上向きアップリンク伝送を用いたフェデレーション学習における平均2乗誤差の漸近上界を証明した。非凸損失関数の学習過程の収束率を、フェーディングチャネルによる勾配の平均2乗誤差で特徴づける。さらに、平均二乗誤差とデジタルフェデレーションエッジ学習フレームワークの収束効果に関する数値実験により、理論的な保証を裏付ける。特に,エッジサーバにおけるアンテナ数の増加と高次変調の適用により,モデル精度が最大60%向上することを示した。

関連論文リスト

DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
論文参考訳（メタデータ） (2025-02-03T11:50:43Z)
Communication-Efficient Federated Learning over Wireless Channels via Gradient Sketching [23.523969065599193]
帯域制限の無線チャネルに適したFPS(Federated Proximal Sketching)を提案する。 FPSはバンド幅のボトルネックに対処し、効率的な圧縮を可能にするためにカウントスケッチデータ構造を使用する。合成および実世界の両方のデータセットにおける最先端手法と比較して,FPSの安定性,精度,効率性を実証する。
論文参考訳（メタデータ） (2024-10-30T20:01:08Z)
A SER-based Device Selection Mechanism in Multi-bits Quantization Federated Learning [6.922030110539386]
本稿では,無線通信が記号誤り率(SER)による連合学習(FL)に与える影響を解析する。 FLシステムでは,非直交多重アクセス(NOMA)を基本的な通信フレームワークとして使用することで,複数のユーザによる通信混雑や干渉を低減することができる。勾配パラメータを複数のビットに量子化し、より多くの勾配情報を最大範囲に保持し、伝送エラーの耐性を向上させる。
論文参考訳（メタデータ） (2024-04-20T06:27:01Z)
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)
Accelerated Gradient Descent Learning over Multiple Access Fading Channels [9.840290491547162]
N分散エッジデバイスとパラメータサーバ(PS)からなる無線ネットワークにおける分散学習問題を考える。そこで我々は, ノイズフェージングMAC上での運動量に基づく勾配信号を用いて, 既存の手法と比較して収束率を向上する, 高速勾配多重アクセス(AGMA)アルゴリズムを開発した。
論文参考訳（メタデータ） (2021-07-26T19:51:40Z)
Reconfigurable Intelligent Surface Enabled Federated Learning: A Unified Communication-Learning Design Approach [30.1988598440727]
我々は,デバイス選択,無線トランシーバ設計,RIS構成を協調的に最適化する統一的なコミュニケーション学習最適化問題を開発した。数値実験により,提案手法は最先端の手法と比較して,学習精度が大幅に向上することが示された。
論文参考訳（メタデータ） (2020-11-20T08:54:13Z)
Blind Federated Edge Learning [93.29571175702735]
フェデレーションエッジ学習(FEEL)について検討し,それぞれが独自のデータセットを持つ無線エッジデバイスでグローバルモデルを学ぶ。そこで本研究では,デバイスがローカル更新を非符号化方式で送信する,アナログオーバ・ザ・エアのアグリゲーション方式を提案する。
論文参考訳（メタデータ） (2020-10-19T16:22:28Z)
Deep Learning Based Antenna Selection for Channel Extrapolation in FDD Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文参考訳（メタデータ） (2020-09-03T13:38:52Z)
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)
Gradient Statistics Aware Power Control for Over-the-Air Federated Learning [59.40860710441232]
フェデレートラーニング(FL)は、多くのエッジデバイスが無線ネットワークで機械学習モデルを協調的にトレーニングできる有望なテクニックである。本稿では、勾配統計を考慮に入れたオーバー・ザ・エアFLの電力制御問題について検討する。
論文参考訳（メタデータ） (2020-03-04T14:06:51Z)

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。