論文の概要: VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular
Federated Learning
- arxiv url: http://arxiv.org/abs/2311.18741v1
- Date: Thu, 30 Nov 2023 17:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 15:34:19.927754
- Title: VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular
Federated Learning
- Title(参考訳): vrem-fl:vehicular federated learningのためのモビリティアウェア計算スケジューリングコデザイン
- Authors: Luca Ballotta, Nicol\`o Dal Fabbro, Giovanni Perin, Luca Schenato,
Michele Rossi and Giuseppe Piro
- Abstract要約: 本稿では,車載フェデレート学習のための計算スケジューリング協調設計であるVREM-FLを提案する。
提案アルゴリズムは、無線リソース使用のためのトレードモデルトレーニング時間に調整することができる。
VREM-FLは、線形回帰モデル(学習時間を28%削減)と、セマンティックイメージセグメンテーションタスクのためのディープニューラルネットワークの両方のベンチマークより優れている。
- 参考スコア(独自算出の注目度): 2.7892067588273513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Assisted and autonomous driving are rapidly gaining momentum, and will soon
become a reality. Among their key enablers, artificial intelligence and machine
learning are expected to play a prominent role, also thanks to the massive
amount of data that smart vehicles will collect from their onboard sensors. In
this domain, federated learning is one of the most effective and promising
techniques for training global machine learning models, while preserving data
privacy at the vehicles and optimizing communications resource usage. In this
work, we propose VREM-FL, a computation-scheduling co-design for vehicular
federated learning that leverages mobility of vehicles in conjunction with
estimated 5G radio environment maps. VREM-FL jointly optimizes the global model
learned at the server while wisely allocating communication resources. This is
achieved by orchestrating local computations at the vehicles in conjunction
with the transmission of their local model updates in an adaptive and
predictive fashion, by exploiting radio channel maps. The proposed algorithm
can be tuned to trade model training time for radio resource usage.
Experimental results demonstrate the efficacy of utilizing radio maps. VREM-FL
outperforms literature benchmarks for both a linear regression model (learning
time reduced by 28%) and a deep neural network for a semantic image
segmentation task (doubling the number of model updates within the same time
window).
- Abstract(参考訳): アシストと自律運転は急速に勢いを増し、間もなく現実になる。
人工知能と機械学習が重要な役割を担うことが期待されている。また、スマート車両が搭載センサーから収集する膨大な量のデータのおかげで。
この領域では、フェデレーション学習は、車両におけるデータのプライバシを保持し、通信リソースの使用を最適化しながら、グローバル機械学習モデルをトレーニングするための最も効果的で有望なテクニックの1つである。
本研究では,推定5g無線環境マップと連動して車両の移動性を活用した車両連関学習のための計算スケジューリング共設計であるvrem-flを提案する。
VREM-FLは、サーバで学んだグローバルモデルを、賢明に通信リソースを割り当てながら、共同で最適化する。
これは、無線チャネルマップを利用して、ローカルモデルの更新を適応的で予測的な方法で送信すると共に、車両のローカル計算をオーケストレーションすることで達成される。
提案アルゴリズムは、無線リソース使用のためのトレードモデルトレーニング時間に調整することができる。
実験の結果,無線地図の有効性が示された。
VREM-FLは、線形回帰モデル(学習時間を28%削減)と、セマンティックイメージセグメンテーションタスク(同じ時間ウィンドウ内でモデル更新数を2倍に)のためのディープニューラルネットワークの両方で、文学ベンチマークより優れています。
関連論文リスト
- Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。
複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。
実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
論文 参考訳(メタデータ) (2023-06-27T17:58:39Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-26T08:13:22Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous
Driving Tasks [11.489187712465325]
自律運転システムは、世界の抽象的な記述を形成するために、様々なセンサから収集した情報を効果的に活用すべきである。
オートエンコーダのようなディープラーニングモデルは、受信データのストリームからコンパクトな潜在表現を学習できるため、その目的のために使用できる。
この研究は、自動エンコーダとリカレントニューラルネットワークを組み合わせて現在の潜伏表現を学習する、複合dynAmicautoencodeRネットワークアーキテクチャであるCARNetを提案する。
論文 参考訳(メタデータ) (2022-05-18T04:15:42Z) - Mobility, Communication and Computation Aware Federated Learning for
Internet of Vehicles [29.476152044104005]
道路車両を学習エージェントとして利用する新しいオンラインFLプラットフォームを提案する。
現代の車両の高度な機能のおかげで、車載センサーは車両が軌道に沿って移動するときにデータを集めることができる。
オンボードプロセッサは、収集されたデータを使用して機械学習モデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-05-17T19:14:38Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳(メタデータ) (2021-11-15T18:37:43Z) - On Addressing Heterogeneity in Federated Learning for Autonomous
Vehicles Connected to a Drone Orchestrator [32.61132332561498]
我々は,自動運転車の性能を向上する上で,連邦学習(FL)のシナリオを想定する。
我々は,自律走行車の名目上の操作を損なう可能性のある,特定の種類の臨界物体(CO)の学習を加速する問題に焦点をあてる。
論文 参考訳(メタデータ) (2021-08-05T16:25:48Z) - Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement
Learning [13.699336307578488]
深層模倣強化学習(DIRL)は、視覚入力を使用してアジャイルな自律レースを実現する。
我々は,高忠実性運転シミュレーションと実世界の1/20スケールRC-car上での車載計算の制限により,本アルゴリズムの有効性を検証した。
論文 参考訳(メタデータ) (2021-07-18T00:00:48Z) - Real-time End-to-End Federated Learning: An Automotive Case Study [16.79939549201032]
本稿では,新しい非同期モデルアグリゲーションプロトコルと組み合わさったリアルタイムエンドツーエンドフェデレーション学習のアプローチを提案する。
その結果,非同期フェデレーション学習は,局所エッジモデルの予測性能を大幅に向上させ,集中型機械学習法と同じ精度に到達できることがわかった。
論文 参考訳(メタデータ) (2021-03-22T14:16:16Z) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-26T14:37:51Z)
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。