論文の概要: Task-Oriented Edge Networks: Decentralized Learning Over Wireless Fronthaul

• arxiv url: http://arxiv.org/abs/2312.01288v1
• Date: Sun, 3 Dec 2023 05:24:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 18:06:07.642226
• Title: Task-Oriented Edge Networks: Decentralized Learning Over Wireless Fronthaul
• Title（参考訳）: タスク指向エッジネットワーク:無線フロントホールによる分散学習
• Authors: Hoon Lee and Seung-Wook Kim
• Abstract要約: 本稿では,複数のエッジノードがネットワーククラウド上で強力なディープニューラルネットワーク(DNN)の助けを借りて機械学習タスクを実行するタスク指向エッジネットワークについて検討する。
• 参考スコア（独自算出の注目度）: 13.150679121986792
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper studies task-oriented edge networks where multiple edge internet-of-things nodes execute machine learning tasks with the help of powerful deep neural networks (DNNs) at a network cloud. Separate edge nodes (ENs) result in a partially observable system where they can only get partitioned features of the global network states. These local observations need to be forwarded to the cloud via resource-constrained wireless fronthual links. Individual ENs compress their local observations into uplink fronthaul messages using task-oriented encoder DNNs. Then, the cloud carries out a remote inference task by leveraging received signals. Such a distributed topology requests a decentralized training and decentralized execution (DTDE) learning framework for designing edge-cloud cooperative inference rules and their decentralized training strategies. First, we develop fronthaul-cooperative DNN architecture along with proper uplink coordination protocols suitable for wireless fronthaul interconnection. Inspired by the nomographic function, an efficient cloud inference model becomes an integration of a number of shallow DNNs. This modulized architecture brings versatile calculations that are independent of the number of ENs. Next, we present a decentralized training algorithm of separate edge-cloud DNNs over downlink wireless fronthaul channels. An appropriate downlink coordination protocol is proposed, which backpropagates gradient vectors wirelessly from the cloud to the ENs.
• Abstract（参考訳）: 本稿では,複数のエッジノードがネットワーククラウド上で強力なディープニューラルネットワーク(DNN)を用いて機械学習タスクを実行するタスク指向エッジネットワークについて検討する。 エッジノード(ens)を分離すると、グローバルネットワーク状態の分割された機能しか取得できない部分監視可能なシステムになる。 これらのローカルな観測は、リソースに制約された無線フロントフールリンクを介してクラウドに転送する必要がある。 個々のENは、タスク指向エンコーダDNNを使用して、ローカル観測をアップリンクフロントホールメッセージに圧縮する。 そして、クラウドは受信した信号を利用してリモート推論タスクを実行する。 このような分散トポロジは、エッジクラウド協調推論ルールとその分散トレーニング戦略を設計するための分散トレーニングと分散実行(DTDE)学習フレームワークを要求する。 まず, 無線フロントホール相互接続に適した適切なアップリンク協調プロトコルと共に, フロントホール協調dnnアーキテクチャを開発した。 ノモグラフィ関数にインスパイアされた効率的なクラウド推論モデルは、多くの浅いDNNの統合となる。 この変調アーキテクチャは、ENの数に依存しない多元計算をもたらす。 次に、ダウンリンク無線フロントホールチャネル上のエッジクラウドDNNを分離した分散トレーニングアルゴリズムを提案する。 クラウドからENへの勾配ベクトルを無線でバックプロパガンダする,適切なダウンリンク調整プロトコルを提案する。

関連論文リスト

• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• Decentralized Channel Management in WLANs with Graph Neural Networks [17.464353263281907]
  無線ローカルエリアネットワーク(WLAN)は、複数のアクセスポイント(AP)を管理し、トラフィック要求を満たすためにAPに無線周波数を割り当てる。 本稿では,分散的に実装可能な学習型ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-30T21:14:45Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Cross-Node Federated Graph Neural Network for Spatio-Temporal Data Modeling [13.426382746638007]
  本稿では,ノード間フェデレーション学習の制約下でのグラフニューラルネットワーク(GNN)に基づくアーキテクチャを提案する。 CNFGNNは、デバイス上の時間計算とサーバ上の空間力学を分離して動作する。 実験の結果, CNFGNNは, 帰納的および帰納的両方の学習環境において, 最高の予測性能が得られることがわかった。
  論文  参考訳（メタデータ） (2021-06-09T17:12:43Z)
• Learning Optimal Fronthauling and Decentralized Edge Computation in Fog Radio Access Networks [14.429561340880074]
  Fog Radio Access Network (F-RAN) はクラウドと、フロントホールリンクを介して接続される複数のエッジノード(EN)で構成される。 本稿では,F-RAN最適化問題に対する構造的深層学習機構を提案する。 提案手法は,クラウド上の集中型コンピューティング,ENにおける分散決定,およびアップリンク-ダウンリンクフロントホール相互作用を含む,クラウド支援型協調最適化ポリシを模倣する。
  論文  参考訳（メタデータ） (2021-03-21T01:54:22Z)
• Unsupervised Learning for Asynchronous Resource Allocation in Ad-hoc Wireless Networks [122.42812336946756]
  集約グラフニューラルネットワーク(Agg-GNN)に基づく教師なし学習手法を設計する。 アクティベーションパターンを各ノードの特徴としてモデル化し,ポリシーに基づくリソース割り当て手法を訓練することにより,非同期性を捉える。
  論文  参考訳（メタデータ） (2020-11-05T03:38:36Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• HierTrain: Fast Hierarchical Edge AI Learning with Hybrid Parallelism in Mobile-Edge-Cloud Computing [36.40138484917463]
  我々は階層型AI学習フレームワークであるHierTrainを提案し、階層型MECCアーキテクチャ上でDNNトレーニングタスクを効率的に展開する。 HierTrainがクラウドベースの階層的トレーニングアプローチと比較して最大6.9倍のスピードアップを実現可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-22T12:40:06Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。