論文の概要: Distributed client selection with multi-objective in federated learning assisted Internet of Vehicles

• arxiv url: http://arxiv.org/abs/2401.03159v1
• Date: Sat, 6 Jan 2024 08:28:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 20:13:17.965891
• Title: Distributed client selection with multi-objective in federated learning assisted Internet of Vehicles
• Title（参考訳）: フェデレーション学習支援車載インターネットにおける多目的分散クライアント選択
• Authors: Narisu Cha and Long Chang
• Abstract要約: フェデレートラーニング(Federated Learning)は、IoT(Internet of Vehicles)における新たな分散機械学習フレームワークである。 IoVでは、何百万もの車が自分の知識を共有するためにモデルを訓練している。アクティブな状態を維持することは、参加者が一定の間隔でFLサーバに状態を更新し、次のラウンドに参加する必要があることを意味する。 本稿では,全参加者に対してアクティブな状態を維持するための分散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）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning is an emerging distributed machine learning framework in the Internet of Vehicles (IoV). In IoV, millions of vehicles are willing to train the model to share their knowledge. Maintaining an active state means the participants must update their state to the FL server in a fixed interval and participate to next round. However, the cost by maintaining an active state is very large when there are a huge number of participating vehicles. In this paper, we proposed a distributed client selection scheme to reduce the cost of maintaining the active state for all participants. The clients with the highest evaluation are elected among the neighbours. In the evaluator, four variables are considered including sample quantity, throughput available, computational capability and the quality of the local dataset. We adopted fuzzy logic as the evaluator since the closed-form solution over four variables does not exist. Extensive simulation results show our proposal approximates the centralized client selection in terms of accuracy and can significantly reduce the communication overhead.
• Abstract（参考訳）: フェデレート・ラーニング(Federated Learning)は、IoT(Internet of Vehicles)における分散機械学習フレームワークである。 IoVでは、何百万台もの車が自分の知識を共有するためにモデルを訓練している。 アクティブな状態を維持するためには、参加者は一定間隔で状態をflサーバに更新し、次のラウンドに参加する必要がある。 しかし、多数の参加車両が存在する場合、アクティブな状態を維持することによるコストは非常に大きい。 本稿では,全参加者のアクティブ状態を維持するためのコストを削減する分散クライアント選択方式を提案する。 評価の高いクライアントは、隣人の中から選ばれます。 評価器では,サンプル量,スループット,計算能力,局所データセットの品質の4変数が考慮されている。 4変数上の閉形式解は存在しないため、ファジィ論理を評価器として採用した。 シミュレーションの結果,提案手法はクライアント選択を精度的に近似し,通信オーバヘッドを大幅に低減できることがわかった。

関連論文リスト

• Federated Data-Driven Kalman Filtering for State Estimation [49.40531019551957]
  本稿では,協調学習やフェデレート学習のパラダイムに基づく,新たなローカライゼーションフレームワークを提案する。 我々は、従来の拡張カルマンフィルタの基盤となるシステム不確実性を推定することを目的とした、リカレントニューラルネットワークであるKalmanNetの標準的なアプローチに基づいて構築する。 FedKalmanNetは、関連するシステム不確実性行列を推定することにより、各車両が自身をローカライズするために使用される。
  論文  参考訳（メタデータ） (2024-11-06T16:18:33Z)
• SFedCA: Credit Assignment-Based Active Client Selection Strategy for Spiking Federated Learning [15.256986486372407]
  フェデレーション学習のスパイクにより、リソースに制約のあるデバイスは、ローカルデータを交換することなく、低消費電力で協調的にトレーニングできる。 既存のスパイキングフェデレーション学習手法では、クライアントのアグリゲーションに対してランダムな選択アプローチを採用しており、不偏なクライアントの参加を前提としている。 本研究では,グローバルなサンプル分布バランスに寄与するクライアントを鑑定するために,クレジット割当に基づくアクティブクライアント選択戦略であるSFedCAを提案する。
  論文  参考訳（メタデータ） (2024-06-18T01:56:22Z)
• Intelligent Client Selection for Federated Learning using Cellular Automata [0.5849783371898033]
  FLは、輸送、通信、医療など、さまざまな現実世界のアプリケーションにおいて、プライバシーの強化とレイテンシーのための有望なソリューションとして登場した。 本稿では,新しいクライアント選択アルゴリズムとして,セルラーオートマトンに基づくクライアント選択(CA-CS)を提案する。 この結果から,CA-CSは高遅延フェデレーションクライアントを効果的に回避しつつ,ランダム選択手法に匹敵する精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-01T09:40:40Z)
• 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)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• ON-DEMAND-FL: A Dynamic and Efficient Multi-Criteria Federated Learning Client Deployment Scheme [37.099990745974196]
  フェデレート学習のためのクライアントデプロイメントアプローチであるOn-Demand-FLを導入する。 私たちはDockerのようなコンテナ技術を使って効率的な環境を構築しています。 遺伝的アルゴリズム(GA)は多目的最適化問題を解決するために用いられる。
  論文  参考訳（メタデータ） (2022-11-05T13:41:19Z)
• A Snapshot of the Frontiers of Client Selection in Federated Learning [5.098446527311984]
  分散機械学習におけるプライバシ保護手法としてフェデレートラーニング(FL)が提案されている。 クライアントはデータをローカルマシンに保持でき、ローカルにトレーニングされたモデルのパラメータのみを中央サーバと共有できる。 FLは医療、エネルギー、ファイナンスといった現実のシナリオで有望な成果を上げている。
  論文  参考訳（メタデータ） (2022-09-27T10:08:18Z)
• Enhanced Decentralized Federated Learning based on Consensus in Connected Vehicles [14.80476265018825]
  分散システムにおける機械学習(ML)モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。 我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
  論文  参考訳（メタデータ） (2022-09-22T01:21:23Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• 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)
• Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point [51.47520726446029]
  協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。 CE-FLの過程をモデル化し,分析訓練を行った。 実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2022-03-26T00:41:57Z)

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。