論文の概要: VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular Federated Learning
- arxiv url: http://arxiv.org/abs/2311.18741v3
- Date: Thu, 10 Oct 2024 13:12:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-11 14:28:50.338955
- 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を考慮した計算スケジューリング協調設計
- Authors: Luca Ballotta, Nicolò Dal Fabbro, Giovanni Perin, Luca Schenato, Michele Rossi, Giuseppe Piro,
- Abstract要約: 車両用無線環境マップフェデレートラーニング(VREM-FL)を提案する。
車両の移動性と5G無線環境マップを組み合わせる。
VREM-FLは無線リソース使用のためのトレーニング時間に調整することができる。
- 参考スコア（独自算出の注目度）: 2.6322811557798746
- License:
- Abstract: Assisted and autonomous driving are rapidly gaining momentum and will soon become a reality. Artificial intelligence and machine learning are regarded as key enablers thanks to the massive amount of data that smart vehicles will collect from onboard sensors. Federated learning is one of the most promising techniques for training global machine learning models while preserving data privacy of vehicles and optimizing communications resource usage. In this article, we propose vehicular radio environment map federated learning (VREM-FL), a computation-scheduling co-design for vehicular federated learning that combines mobility of vehicles with 5G radio environment maps. VREM-FL jointly optimizes learning performance of the global model and wisely allocates communication and computation resources. This is achieved by orchestrating local computations at the vehicles in conjunction with transmission of their local models in an adaptive and predictive fashion, by exploiting radio channel maps. The proposed algorithm can be tuned to trade training time for radio resource usage. Experimental results demonstrate that VREM-FL outperforms literature benchmarks for both a linear regression model (learning time reduced by 28%) and a deep neural network for semantic image segmentation (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は、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、重要な実現要因と見なされている。
フェデレーション学習は、車両のデータ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、グローバルな機械学習モデルをトレーニングするための最も有望なテクニックの1つである。
本稿では,車両の移動性と5G無線環境マップを組み合わせた車両統合学習のための計算スケジューリング協調設計である車載無線環境マップフェデレートラーニング(VREM-FL)を提案する。
VREM-FLはグローバルモデルの学習性能を最適化し、コミュニケーションと計算資源を賢明に割り当てる。
これは、無線チャネルマップを利用することで、車両の局所的な計算を、適応的で予測的な方法で、それらの局所モデルの伝達と合わせて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訓練時間を交換するために調整することができる。
実験の結果,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のためのディープニューラルネットワーク(同じ時間ウィンドウ内でのモデル更新回数を2倍に)の両方の文献ベンチマークより優れていた。
関連論文リスト
- Mobility-Aware Federated Self-supervised Learning in Vehicular Network [8.30695698868618]
Federated Learning(FL)は、高度な分散機械学習アプローチである。
ロードサイドユニット(RSU)にすべてのデータをアップロードすることなく、モデルを複数のデバイスで同時にトレーニングすることで、各車両のプライバシを保護する。
本稿では,ラベルを必要とせず,車載環境下での自己教師型学習のための事前学習段階として機能するFLSimCoという,画像ボケレベルからアグリゲーションへのFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-01T03:28:10Z) - Adaptive and Parallel Split Federated Learning in Vehicular Edge Computing [6.004901615052089]
車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムを実現するための有望なパラダイムである。
フェデレートラーニング(Federated Learning, FL)は、コラボレーティブモデルトレーニングとアグリゲーションを促進する基礎技術のひとつである。
ASFV(Adaptive Split Federated Learning scheme for Vehicular Edge Computing) を開発した。
論文 参考訳（メタデータ） (2024-05-29T02:34:38Z) - 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) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - 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) - Parallel Successive Learning for Dynamic Distributed Model Training over
Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。
我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。
我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文 参考訳（メタデータ） (2022-02-07T05:11:01Z) - 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) - 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。