論文の概要: Towards Reliable Participation in UAV-Enabled Federated Edge Learning on Non-IID Data

• arxiv url: http://arxiv.org/abs/2312.10411v1
• Date: Sat, 16 Dec 2023 10:35:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 16:39:45.285099
• Title: Towards Reliable Participation in UAV-Enabled Federated Edge Learning on Non-IID Data
• Title（参考訳）: 非IIDデータを用いたUAV型フェデレーションエッジ学習の信頼性向上に向けて
• Authors: Youssra Cheriguene, Wael Jaafar, Halim Yanikomeroglu, Chaker Abdelaziz Kerrache
• Abstract要約: Federated Learning(FL)は、多くの参加者が共同でMLモデルをトレーニングできる、分散機械学習(ML)技術である。 FLは、悪意のあるUAVが有毒なローカルモデルをFLサーバーにアップロードする攻撃によって標的にすることができる。 本稿では,信頼性の高い高速UAVを優先することで収束性を高める新しいクライアント選択方式を提案する。
• 参考スコア（独自算出の注目度）: 22.775113283662883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) is a decentralized machine learning (ML) technique that allows a number of participants to train an ML model collaboratively without having to share their private local datasets with others. When participants are unmanned aerial vehicles (UAVs), UAV-enabled FL would experience heterogeneity due to the majorly skewed (non-independent and identically distributed -IID) collected data. In addition, UAVs may demonstrate unintentional misbehavior in which the latter may fail to send updates to the FL server due, for instance, to UAVs' disconnectivity from the FL system caused by high mobility, unavailability, or battery depletion. Such challenges may significantly affect the convergence of the FL model. A recent way to tackle these challenges is client selection, based on customized criteria that consider UAV computing power and energy consumption. However, most existing client selection schemes neglected the participants' reliability. Indeed, FL can be targeted by poisoning attacks, in which malicious UAVs upload poisonous local models to the FL server, by either providing targeted false predictions for specifically chosen inputs or by compromising the global model's accuracy through tampering with the local model. Hence, we propose in this paper a novel client selection scheme that enhances convergence by prioritizing fast UAVs with high-reliability scores, while eliminating malicious UAVs from training. Through experiments, we assess the effectiveness of our scheme in resisting different attack scenarios, in terms of convergence and achieved model accuracy. Finally, we demonstrate the performance superiority of the proposed approach compared to baseline methods.
• Abstract（参考訳）: Federated Learning(FL)は、分散機械学習(ML)技術で、多くの参加者が、プライベートなローカルデータセットを他の人と共有することなく、共同でMLモデルをトレーニングすることができる。 参加者が無人航空機(UAV)である場合、UAV対応FLは、主に歪んだ(非独立で同一に分散された-IID)データのために不均一性を受ける。 さらに、UAVは、例えば、高い移動性、不使用性、バッテリーの枯渇に起因するFLシステムからのUAVの切断のために、後者がFLサーバに更新を送信できない意図しない不都合を示す可能性がある。 このような課題はFLモデルの収束に大きな影響を与える可能性がある。 これらの課題に取り組む最近の方法は、uavコンピューティングのパワーとエネルギー消費を考慮したカスタマイズされた基準に基づいたクライアント選択である。 しかし、既存のクライアント選択方式のほとんどは参加者の信頼性を無視した。 実際、FLは、悪意のあるUAVが特定の入力に対してターゲットとなる偽の予測を提供するか、またはローカルモデルに改ざんすることでグローバルモデルの正確性を妥協することによって、FLサーバーに有害なローカルモデルをアップロードする中毒攻撃によって標的にすることができる。 そこで本稿では,信頼性の高い高速UAVを優先し,悪質なUAVをトレーニングから排除し,収束性を高める新しいクライアント選択方式を提案する。 実験を通じて,異なる攻撃シナリオに抵抗する手法の有効性を,収束の観点から評価し,モデル精度を達成した。 最後に,提案手法がベースライン法と比較して性能上優れていることを示す。

関連論文リスト

• Towards Robust Federated Learning via Logits Calibration on Non-IID Data [49.286558007937856]
  Federated Learning(FL)は、エッジネットワークにおける分散デバイスの共同モデルトレーニングに基づく、プライバシ保護のための分散管理フレームワークである。 近年の研究では、FLは敵の例に弱いことが示されており、その性能は著しく低下している。 本研究では,対戦型訓練(AT)フレームワークを用いて,対戦型実例(AE)攻撃に対するFLモデルの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T09:18:29Z)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization [16.265792031520945]
  フェデレートラーニング(FL)には、ローカルデータを転送することなく、共有モデルを協調的にトレーニングする複数のデバイスが含まれる。 FLは通信のオーバーヘッドを減らし、エネルギー資源の少ないUAV強化無線ネットワークにおいて有望な学習方法となる。 この可能性にもかかわらず、UAVに強化されたネットワークにFLを実装することは困難であり、カバー範囲を最大化する従来のUAV配置手法はFL遅延を増大させる。
  論文  参考訳（メタデータ） (2023-08-31T17:50:54Z)
• Data-Efficient Energy-Aware Participant Selection for UAV-Enabled Federated Learning [18.93536585798473]
  無人航空機(UAV)対応エッジフェデレーション学習(FL)は、研究の関心を喚起している。 UAV収集データの冗長性、例えば撮像データ、非厳密なFL選択の選択により、FL学習過程の収束時間とFLモデルのバイアスが増大する。 DEEPS(Data- efficient energy-aware participants selection strategy)と呼ばれる新しいUAV参加選択方式を提案する。
  論文  参考訳（メタデータ） (2023-08-14T17:00:13Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Federated Learning Over Cellular-Connected UAV Networks with Non-IID Datasets [19.792426676330212]
  フェデレートラーニング(FL)は有望な分散ラーニング技術である。 本稿では,セルラー接続型無人航空機(UAV)ネットワーク上での新しいFLモデルを提案する。 本稿では,セル接続型UAVネットワークにおけるアップリンク停止確率の抽出可能な解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-13T23:15:20Z)
• Federated Robustness Propagation: Sharing Adversarial Robustness in Federated Learning [98.05061014090913]
  フェデレートラーニング(FL)は、生データを共有することなく、参加するユーザのセットから学習する、人気のある分散ラーニングスキーマとして登場した。 敵対的トレーニング(AT)は集中学習のための健全なソリューションを提供する。 既存のFL技術では,非IDユーザ間の対向的ロバスト性を効果的に広めることができないことを示す。 本稿では, バッチ正規化統計量を用いてロバスト性を伝達する, 単純かつ効果的な伝搬法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T15:52:33Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。