論文の概要: Online Vertical Federated Learning for Cooperative Spectrum Sensing
- arxiv url: http://arxiv.org/abs/2312.11363v1
- Date: Mon, 18 Dec 2023 17:19:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 19:21:24.977937
- Title: Online Vertical Federated Learning for Cooperative Spectrum Sensing
- Title(参考訳): 協調スペクトルセンシングのためのオンライン垂直フェデレーション学習
- Authors: Heqiang Wang, Jie Xu
- Abstract要約: オンライン垂直連合学習(OVFL)は、進行中のデータストリームと学習目標のシフトの課題に対処するために設計されている。
OVFLは、サブ線形後悔境界を達成し、それによって効率を低下させる。
- 参考スコア(独自算出の注目度): 8.081617656116139
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing demand for wireless communication underscores the need to
optimize radio frequency spectrum utilization. An effective strategy for
leveraging underutilized licensed frequency bands is cooperative spectrum
sensing (CSS), which enable multiple secondary users (SUs) to collaboratively
detect the spectrum usage of primary users (PUs) prior to accessing the
licensed spectrum. The increasing popularity of machine learning has led to a
shift from traditional CSS methods to those based on deep learning. However,
deep learning-based CSS methods often rely on centralized learning, posing
challenges like communication overhead and data privacy risks. Recent research
suggests vertical federated learning (VFL) as a potential solution, with its
core concept centered on partitioning the deep neural network into distinct
segments, with each segment is trained separately. However, existing VFL-based
CSS works do not fully address the practical challenges arising from streaming
data and the objective shift. In this work, we introduce online vertical
federated learning (OVFL), a robust framework designed to address the
challenges of ongoing data stream and shifting learning goals. Our theoretical
analysis reveals that OVFL achieves a sublinear regret bound, thereby
evidencing its efficiency. Empirical results from our experiments show that
OVFL outperforms benchmarks in CSS tasks. We also explore the impact of various
parameters on the learning performance.
- Abstract(参考訳): 無線通信の需要の増加は、無線周波数スペクトルの利用を最適化する必要性を浮き彫りにする。
未使用のライセンス周波数帯域を活用する効果的な戦略は、複数の二次ユーザ(sus)が、ライセンスされたスペクトルにアクセスする前に、プライマリユーザ(pus)のスペクトル使用を共同的に検出できる協調スペクトルセンシング(css)である。
機械学習の人気が高まり、従来のcssメソッドからディープラーニングに基づいたものへとシフトした。
しかし、ディープラーニングベースのCSSメソッドは、しばしば集中的な学習に依存し、通信オーバーヘッドやデータプライバシリスクといった課題を提起する。
近年の研究では、ディープニューラルネットワークを別のセグメントに分割することを中心に、垂直連合学習(VFL)が潜在的なソリューションとして提案されている。
しかしながら、既存のVFLベースのCSS作業は、ストリーミングデータと客観的シフトに起因する現実的な課題を完全に解決するものではない。
本研究では,現在進行中のデータストリームの課題に対処し,学習目標のシフトを図った頑健なフレームワークであるオンライン垂直統合学習(OVFL)を紹介する。
理論的解析により,OVFLはサブ線形後悔境界を達成し,その効率性を明らかにする。
実験の結果、ovflはcssタスクのベンチマークよりも優れています。
また,学習性能に及ぼす各種パラメータの影響についても検討する。
関連論文リスト
- Communication Efficient ConFederated Learning: An Event-Triggered SAGA
Approach [67.27031215756121]
Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。
単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。
本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
論文 参考訳(メタデータ) (2024-02-28T03:27:10Z) - Fault-Tolerant Vertical Federated Learning on Dynamic Networks [17.214112087657206]
Vertical Federated Learning (VFL) はFLのクラスであり、各クライアントは同じサンプルスペースを共有するが、機能のサブセットしか持たない。
本稿では、データ分割とネットワークコンテキストを含むインターネット学習(IL)を定義する。
本稿では,VFL を素質的ベースラインとして提案し,IL の学習パラダイムを扱うためにいくつかの拡張を開発する。
論文 参考訳(メタデータ) (2023-12-27T17:00:09Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳(メタデータ) (2023-09-18T12:35:05Z) - Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。
サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。
新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
論文 参考訳(メタデータ) (2022-09-30T17:59:27Z) - Low-Latency Cooperative Spectrum Sensing via Truncated Vertical
Federated Learning [51.51440623636274]
データプライバシを損なうことなく、複数のセカンダリユーザ(SU)にまたがる分散機能を活用できる垂直連合学習(VFL)フレームワークを提案する。
学習プロセスの高速化を目的として,T-VFL(Truncated vertical Federated Learning)アルゴリズムを提案する。
T-VFLの収束性能は、数学的解析によって提供され、シミュレーション結果によって正当化される。
論文 参考訳(メタデータ) (2022-08-07T10:39:27Z) - Deep Frequency Filtering for Domain Generalization [55.66498461438285]
Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。
本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。
提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
論文 参考訳(メタデータ) (2022-03-23T05:19:06Z) - Vertical Federated Learning: Challenges, Methodologies and Experiments [38.810479257782454]
垂直学習(VFL)は、異なるクライアントからサブモデルを受け入れることで、ハイパーMLモデルを構築することができる。
本稿では,VFLにおける課題を効果的に解決し,実生活データセット上で実験を行う。
論文 参考訳(メタデータ) (2022-02-09T06:56:41Z) - Mobility-Aware Cluster Federated Learning in Hierarchical Wireless
Networks [81.83990083088345]
我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。
分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。
これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-08-20T10:46:58Z)
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。