論文の概要: Resource-Aware Hierarchical Federated Learning in Wireless Video Caching Networks

• arxiv url: http://arxiv.org/abs/2402.04216v3
• Date: Sat, 26 Oct 2024 22:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 16:00:33.697900
• Title: Resource-Aware Hierarchical Federated Learning in Wireless Video Caching Networks
• Title（参考訳）: 無線ビデオキャッシングネットワークにおけるリソースを考慮した階層的フェデレーション学習
• Authors: Md Ferdous Pervej, Andreas F. Molisch,
• Abstract要約: いくつかの人気ファイルの動画トラフィックによるバックホールトラフィックの混雑は、要求されるコンテンツを保存することで軽減できる。 本稿では,ユーザの今後のコンテンツ要求を予測するためのリソース対応階層型学習(RawHFL)ソリューションを提案する。
• 参考スコア（独自算出の注目度）: 24.664469755746463
• License:
• Abstract: Backhaul traffic congestion caused by the video traffic of a few popular files can be alleviated by storing the to-be-requested content at various levels in wireless video caching networks. Typically, content service providers (CSPs) own the content, and the users request their preferred content from the CSPs using their (wireless) internet service providers (ISPs). As these parties do not reveal their private information and business secrets, traditional techniques may not be readily used to predict the dynamic changes in users' future demands. Motivated by this, we propose a novel resource-aware hierarchical federated learning (RawHFL) solution for predicting user's future content requests. A practical data acquisition technique is used that allows the user to update its local training dataset based on its requested content. Besides, since networking and other computational resources are limited, considering that only a subset of the users participate in the model training, we derive the convergence bound of the proposed algorithm. Based on this bound, we minimize a weighted utility function for jointly configuring the controllable parameters to train the RawHFL energy efficiently under practical resource constraints. Our extensive simulation results validate the proposed algorithm's superiority, in terms of test accuracy and energy cost, over existing baselines.
• Abstract（参考訳）: いくつかの人気ファイルの動画トラフィックによるバックホールトラフィックの混雑は、無線ビデオキャッシングネットワークにおいて、要求されるコンテンツを様々なレベルに格納することで軽減できる。 典型的には、コンテンツサービスプロバイダ(CSP)がコンテンツを所有し、ユーザは(無線)インターネットサービスプロバイダ(ISP)を使用して、CSPから好みのコンテンツを要求する。 これらの関係者はプライベート情報やビジネスシークレットを公開しないため、従来の手法はユーザの将来の要求の動的変化を予測できない可能性がある。 そこで本研究では,ユーザの今後のコンテンツ要求を予測するための,リソースを意識した階層型学習(RawHFL)ソリューションを提案する。 ユーザが要求されたコンテンツに基づいて、ローカルトレーニングデータセットを更新できる実用的なデータ取得技術が使用されている。 また,ネットワークなどの計算資源は限定的であり,モデルの学習には一部のユーザしか参加していないため,提案アルゴリズムの収束バウンダリを導出する。 この制約に基づいて、制御可能なパラメータを協調的に構成し、実用的な資源制約の下でRawHFLエネルギーを効率的に訓練するための重み付きユーティリティ関数を最小化する。 提案アルゴリズムは, 既存のベースラインよりも, 試験精度とエネルギーコストの面で, 優位性を検証した。

関連論文リスト

• Cooperative Edge Caching Based on Elastic Federated and Multi-Agent Deep Reinforcement Learning in Next-Generation Network [24.731109535151568]
  エッジキャッシュは、小型セルベースステーション(SBS)におけるキャッシュユニットの強化により、次世代ネットワークにとって有望なソリューションである SBSは,ユーザの個人情報を保護しながら,学習を通じて正確な人気コンテンツを予測することが重要である。 従来のフェデレーション学習(FL)はユーザのプライバシを保護することができるが、UE間のデータ格差はモデル品質の低下につながる。 ネットワークのコストを最適化するために, 弾性フェデレーションとマルチエージェント深部強化学習(CEFMR)に基づく協調エッジキャッシュ方式を提案する。
  論文  参考訳（メタデータ） (2024-01-18T10:59:18Z)
• Resource-Aware Hierarchical Federated Learning for Video Caching in Wireless Networks [29.137803674759848]
  ユーザの要求が時間とともにどのように変化するかを学ぶためには,プライバシ保護手法が望ましい。 本稿では,ユーザの今後のコンテンツ要求を予測するために,リソースを意識した階層型学習(RawHFL)ソリューションを提案する。 シミュレーションの結果,提案手法は予測精度と総エネルギー消費率において,検討されたベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-11-12T18:23:17Z)
• DeePref: Deep Reinforcement Learning For Video Prefetching In Content Delivery Networks [0.06138671548064355]
  本稿では,Deep Reinforcement Learning Agent for online video content prefetching in Content Delivery Networksを提案する。 この結果から,実世界のデータセットを用いたDeePref DRQNは,前処理精度が17%,前処理カバレッジが平均で28%向上することがわかった。
  論文  参考訳（メタデータ） (2023-10-11T20:45:46Z)
• REFT: Resource-Efficient Federated Training Framework for Heterogeneous and Resource-Constrained Environments [2.117841684082203]
  分散システムでは、フェデレートラーニング(FL)が重要な役割を果たす。 FLは、機械学習のプライバシ強化サブドメインとして出現する。 我々は「不均一・資源制約環境のための資源効率の良いフェデレーション・トレーニング・フレームワーク」を提案する。
  論文  参考訳（メタデータ） (2023-08-25T20:33:30Z)
• Vision-based Semantic Communications for Metaverse Services: A Contest Theoretic Approach [66.10465001046762]
  Metaverseでは、アバターを更新し、ユーザの振る舞いを反映してレンダリングする必要がある。 ユーザとMPP間のインタラクションをモデル化する意味コミュニケーションフレームワークを提案する。 我々はセマンティック通信技術を用いて送信するデータの量を削減する。
  論文  参考訳（メタデータ） (2023-08-15T07:56:33Z)
• Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
  無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。 我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。 最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-09T09:30:23Z)
• Content Popularity Prediction in Fog-RANs: A Clustered Federated Learning Based Approach [66.31587753595291]
  本稿では,ローカルユーザとモバイルユーザの両面からコンテンツの人気度を統合した,モビリティに配慮した新しい人気予測ポリシーを提案する。 ローカルユーザにとって、コンテンツの人気は、ローカルユーザやコンテンツの隠された表現を学習することによって予測される。 モバイルユーザーにとって、コンテンツの人気はユーザー好みの学習によって予測される。
  論文  参考訳（メタデータ） (2022-06-13T03:34:00Z)
• Online Caching with no Regret: Optimistic Learning via Recommendations [15.877673959068458]
  ファイル要求の予測を含むFTRL(Follow-the-Regularized-Leader)フレームワークを構築した。 フレームワークを拡張して、多くが利用可能な場合に最適な要求予測器を学習し、利用します。 提案した楽観的な学習キャッシュポリシが,完全予測のためのサブゼロ性能損失(regret)を達成できることを実証する。
  論文  参考訳（メタデータ） (2022-04-20T09:29:47Z)
• Caching Placement and Resource Allocation for Cache-Enabling UAV NOMA Networks [87.6031308969681]
  本稿では,非直交多重アクセス(NOMA)をサポートした大規模アクセス機能を有する無人航空機(UAV)セルネットワークについて検討する。 コンテンツ配信遅延最小化のための長期キャッシュ配置と資源配分最適化問題をマルコフ決定プロセス(MDP)として定式化する。 そこで我々は,UAVがemphsoft $varepsilon$-greedy戦略を用いて行動の学習と選択を行い,行動と状態の最適な一致を探索する,Qラーニングに基づくキャッシュ配置とリソース割り当てアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-12T08:33:51Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)
• 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。