論文の概要: Device Scheduling and Assignment in Hierarchical Federated Learning for Internet of Things

• arxiv url: http://arxiv.org/abs/2402.02506v1
• Date: Sun, 4 Feb 2024 14:42:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 19:11:39.013692
• Title: Device Scheduling and Assignment in Hierarchical Federated Learning for Internet of Things
• Title（参考訳）: モノのインターネットのための階層的フェデレーション学習におけるデバイススケジューリングとアサインメント
• Authors: Tinghao Zhang, Kwok-Yan Lam, Jun Zhao
• Abstract要約: 本稿では,デバイススケジューリングのための改良K-Centerアルゴリズムを提案し,IoTデバイスをエッジサーバに割り当てるための深層強化学習に基づくアプローチを提案する。 実験によると、IoTデバイスの50%のスケジューリングは一般的に、時間遅延とエネルギー消費を大幅に低減したHFLの収束を達成するのに十分である。
• 参考スコア（独自算出の注目度）: 20.09415156099031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) is a promising machine learning approach for Internet of Things (IoT), but it has to address network congestion problems when the population of IoT devices grows. Hierarchical FL (HFL) alleviates this issue by distributing model aggregation to multiple edge servers. Nevertheless, the challenge of communication overhead remains, especially in scenarios where all IoT devices simultaneously join the training process. For scalability, practical HFL schemes select a subset of IoT devices to participate in the training, hence the notion of device scheduling. In this setting, only selected IoT devices are scheduled to participate in the global training, with each of them being assigned to one edge server. Existing HFL assignment methods are primarily based on search mechanisms, which suffer from high latency in finding the optimal assignment. This paper proposes an improved K-Center algorithm for device scheduling and introduces a deep reinforcement learning-based approach for assigning IoT devices to edge servers. Experiments show that scheduling 50% of IoT devices is generally adequate for achieving convergence in HFL with much lower time delay and energy consumption. In cases where reduction in energy consumption (such as in Green AI) and reduction of messages (to avoid burst traffic) are key objectives, scheduling 30% IoT devices allows a substantial reduction in energy and messages with similar model accuracy.
• Abstract（参考訳）: Federated Learning(FL)はIoT(Internet of Things)のための有望な機械学習アプローチだが、IoTデバイスの人口が増加すると、ネットワークの混雑問題に対処しなければならない。 階層FL(HFL)はモデルアグリゲーションを複数のエッジサーバに分散することでこの問題を軽減する。 しかしながら、通信オーバーヘッドの課題は、特にすべてのIoTデバイスがトレーニングプロセスに同時に参加するシナリオにおいて、依然として残っている。 スケーラビリティのために、実践的なHFLスキームは、トレーニングに参加するためのIoTデバイスのサブセットを選択する。 この設定では、選択されたIoTデバイスのみがグローバルトレーニングに参加し、それぞれが1つのエッジサーバに割り当てられる。 既存のHFL代入法は主に探索機構に基づいており、最適な代入を見つけるのに遅延が大きい。 本稿では,デバイススケジューリングのための改良K-Centerアルゴリズムを提案し,IoTデバイスをエッジサーバに割り当てるための深層強化学習に基づくアプローチを提案する。 実験によると、IoTデバイスの50%のスケジューリングは一般的に、時間遅延とエネルギー消費を大幅に低減したHFLの収束を達成するのに十分である。 エネルギー消費の削減(グリーンAIなど)とメッセージの削減(バーストトラフィックを避けるため)が重要な目的である場合、30%のIoTデバイスをスケジューリングすることで、同様のモデル精度で、エネルギーとメッセージの大幅な削減が可能になる。

関連論文リスト

• Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
  Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。 我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。 具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
  論文  参考訳（メタデータ） (2024-08-26T14:28:51Z)
• Efficient Asynchronous Federated Learning with Sparsification and Quantization [55.6801207905772]
  フェデレートラーニング(FL)は、生データを転送することなく、機械学習モデルを協調的にトレーニングするために、ますます注目を集めている。 FLは一般的に、モデルトレーニングの全プロセス中にパラメータサーバーと多数のエッジデバイスを利用する。 TEASQ-Fedは、エッジデバイスを利用して、タスクに積極的に適用することで、トレーニングプロセスに非同期に参加する。
  論文  参考訳（メタデータ） (2023-12-23T07:47:07Z)
• HCFL: A High Compression Approach for Communication-Efficient Federated Learning in Very Large Scale IoT Networks [27.963991995365532]
  フェデレートラーニング(FL)は、IoT(Internet-of-Things)デバイスが、処理のために生データを集中ノードに送信することなく、コラボレーティブモデルを学ぶことを可能にする、新たな人工知能の概念である。 多数のアドバンテージにもかかわらず、IoTデバイスの低コンピューティングリソースとモデルパラメータを交換するための高い通信コストは、巨大なIoTネットワークにおけるFLの応用を極めて限定している。 我々は,大規模IoTネットワークのための高速圧縮フェデレーション学習(HCFL)と呼ばれるFLのための新しい圧縮スキームを開発した。
  論文  参考訳（メタデータ） (2022-04-14T05:29:40Z)
• Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in EdgeIoT [53.68792408315411]
  フェデレートラーニング(FL)は、モバイルエッジコンピューティングベースのInternet of Thing(EdgeIoT)における盗聴攻撃からデータトレーニングプライバシを保護するために、ますます検討されている。 本研究では,連続領域における最適精度とエネルギー収支を達成するために,FLDLT3フレームワークを提案する。 その結果、FL-DLT3は100回未満の高速収束を実現し、FLの精度-エネルギー消費比は既存の最先端ベンチマークと比較して51.8%向上した。
  論文  参考訳（メタデータ） (2022-02-15T13:36:15Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Energy Efficient Federated Learning in Integrated Fog-Cloud Computing Enabled Internet-of-Things Networks [15.446892683183037]
  ローカルモデルをトレーニングするシナリオを2つ検討する。 最初のシナリオでは、ローカルモデルはIoTデバイスでトレーニングされ、F-APはローカルモデルパラメータをクラウドにアップロードする。 第2のシナリオでは、IoTデバイスから収集されたデータに基づいて、ローカルモデルをF-APでトレーニングし、F-APはCSと協力してモデルパラメータを更新する。
  論文  参考訳（メタデータ） (2021-07-07T23:09:26Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• Federated Learning in Mobile Edge Computing: An Edge-Learning Perspective for Beyond 5G [24.275726025778482]
  本稿では,エッジコンピューティングを利用した新しいフェデレーション学習フレームワークを提案する。 IoTデバイスとエッジサーバ間の通信制約を考慮する。 さまざまなIoTデバイスは、エッジサーバで生成されたグローバルモデルの正確性にさまざまな影響を与える、さまざまなトレーニングデータセットを持っています。
  論文  参考訳（メタデータ） (2020-07-15T22:58:47Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)

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。