論文の概要: Uncertainty Estimation in Multi-Agent Distributed Learning
- arxiv url: http://arxiv.org/abs/2311.13356v1
- Date: Wed, 22 Nov 2023 12:48:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 15:03:38.127279
- Title: Uncertainty Estimation in Multi-Agent Distributed Learning
- Title（参考訳）: マルチエージェント分散学習における不確実性推定
- Authors: Gleb Radchenko, Victoria Andrea Fill
- Abstract要約: KDT NEUROKIT2Eプロジェクトは、エッジデバイス上のAIアプリケーションを容易にするための、新たなオープンソースフレームワークを確立することを目的としている。
本研究は,エッジネットワーク対応エージェントが分散環境における協調学習に携わることを可能にするメカニズムと方法論に焦点をあてる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditionally, IoT edge devices have been perceived primarily as low-power
components with limited capabilities for autonomous operations. Yet, with
emerging advancements in embedded AI hardware design, a foundational shift
paves the way for future possibilities. Thus, the aim of the KDT NEUROKIT2E
project is to establish a new open-source framework to further facilitate AI
applications on edge devices by developing new methods in quantization,
pruning-aware training, and sparsification. These innovations hold the
potential to expand the functional range of such devices considerably, enabling
them to manage complex Machine Learning (ML) tasks utilizing local resources
and laying the groundwork for innovative learning approaches.
In the context of 6G's transformative potential, distributed learning among
independent agents emerges as a pivotal application, attributed to 6G networks'
support for ultra-reliable low-latency communication, enhanced data rates, and
advanced edge computing capabilities.
Our research focuses on the mechanisms and methodologies that allow edge
network-enabled agents to engage in collaborative learning in distributed
environments. Particularly, one of the key issues within distributed
collaborative learning is determining the degree of confidence in the learning
results, considering the spatio-temporal locality of data sets perceived by
independent agents.
- Abstract（参考訳）: 従来、IoTエッジデバイスは、主に自律的な操作に制限のある低電力コンポーネントとして認識されてきた。
しかし、組み込みAIハードウェア設計の進歩により、基盤的なシフトが将来の可能性への道を開く。
したがって、kdt neurokit2eプロジェクトの目標は、量子化、pruning-aware training、sparsificationといった新しい方法を開発することによって、エッジデバイス上のaiアプリケーションをさらに促進するための新しいオープンソースフレームワークを確立することである。
これらのイノベーションは、そのようなデバイスの機能範囲を大幅に拡大する可能性を秘めており、ローカルリソースを利用して複雑な機械学習(ML)タスクを管理し、革新的な学習アプローチの基盤となる。
6gのトランスフォーメーションポテンシャルの文脈では、独立エージェント間の分散学習が重要なアプリケーションとして出現する。これは、6gネットワークが超信頼性の低い低レイテンシ通信、データレートの向上、高度なエッジコンピューティング機能をサポートするためである。
本研究は,エッジネットワーク対応エージェントが分散環境における協調学習を行うためのメカニズムと方法論に焦点を当てる。
特に、分散協調学習における重要な問題は、独立したエージェントが認識するデータセットの時空間的局所性を考慮して、学習結果の信頼度を決定することである。
関連論文リスト
- Edge AI Collaborative Learning: Bayesian Approaches to Uncertainty Estimation [0.0]
独立エージェントが遭遇するデータの空間的変動を考慮した学習結果における信頼度の決定に焦点をあてる。
協調マッピングタスクをシミュレートするために,Webotsプラットフォームを用いた3次元環境シミュレーションを実装した。
実験により,BNNは分散学習コンテキストにおける不確実性推定を効果的に支援できることが示された。
論文 参考訳（メタデータ） (2024-10-11T09:20:16Z) - Uncertainty Estimation in Multi-Agent Distributed Learning for AI-Enabled Edge Devices [0.0]
エッジIoTデバイスはFPGAとAIアクセラレータの導入によってパラダイムシフトを経験している。
この進歩は、エッジAIの実用性を強調し、その計算能力を大幅に増幅した。
本研究では,AI対応エッジデバイスによる分散データ処理を実現する手法について検討し,協調学習能力を向上する。
論文 参考訳（メタデータ） (2024-03-14T07:40:32Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - 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) - Incentive Mechanism Design for Resource Sharing in Collaborative Edge
Learning [106.51930957941433]
5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。
これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
論文 参考訳（メタデータ） (2020-05-31T12:45:06Z) - Combining Federated and Active Learning for Communication-efficient
Distributed Failure Prediction in Aeronautics [0.0]
我々は,アクティブラーニングとフェデレートラーニングの学習パラダイムに依存する,新しい集中型分散学習アルゴリズムを提案する。
我々は,この手法を公開ベンチマークで評価し,その精度が非分散学習の最先端性能レベルに非常に近いことを示す。
論文 参考訳（メタデータ） (2020-01-21T13:17:00Z) - Federated Learning with Cooperating Devices: A Consensus Approach for
Massive IoT Networks [8.456633924613456]
分散システムにおける機械学習モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。
提案するFLアルゴリズムは,ネットワーク内のデータ操作を行うデバイスとの協調を利用して,完全に分散された(あるいはサーバレス)学習手法を提案する。
このアプローチは、分散接続とコンピューティングを特徴とするネットワークを超えて、5G 内で FL を統合するための基盤となる。
論文 参考訳（メタデータ） (2019-12-27T15:16:04Z)
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。