Fugu-MT 論文翻訳(概要): Federated Learning via Lattice Joint Source-Channel Coding

論文の概要: Federated Learning via Lattice Joint Source-Channel Coding

arxiv url: http://arxiv.org/abs/2403.01023v1
Date: Fri, 1 Mar 2024 22:53:57 GMT
ステータス: 処理完了
システム内更新日: 2024-03-05 15:38:44.778353
Title: Federated Learning via Lattice Joint Source-Channel Coding
Title（参考訳）: 格子ジョイントソースチャネル符号化によるフェデレーション学習
Authors: Seyed Mohammad Azimi-Abarghouyi, Lav R. Varshney
Abstract要約: 本稿では,デジタル通信によるオーバー・ザ・エア計算を実現するユニバーサル・フェデレーション・ラーニング・フレームワークを提案する。このスキームは、デバイスにおけるチャネル状態情報に頼ることなく、モデルパラメータの定量化とデバイスからの干渉の活用の両方に格子コードを使用する。
参考スコア（独自算出の注目度）: 22.315782805190036
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: This paper introduces a universal federated learning framework that enables over-the-air computation via digital communications, using a new joint source-channel coding scheme. Without relying on channel state information at devices, this scheme employs lattice codes to both quantize model parameters and exploit interference from the devices. A novel two-layer receiver structure at the server is designed to reliably decode an integer combination of the quantized model parameters as a lattice point for the purpose of aggregation. Numerical experiments validate the effectiveness of the proposed scheme. Even with the challenges posed by channel conditions and device heterogeneity, the proposed scheme markedly surpasses other over-the-air FL strategies.
Abstract（参考訳）: 本稿では,デジタル通信による遠隔計算を実現するための汎用的なフェデレーション学習フレームワークについて紹介する。デバイスでのチャネル状態情報に頼ることなく、このスキームはモデルパラメータの定量化とデバイスからの干渉の悪用の両方に格子符号を用いる。サーバにおける新しい2層レシーバ構造は、集約のための格子点として量子化モデルパラメータの整数結合を確実に復号するように設計されている。数値実験により提案手法の有効性が検証された。チャネル条件とデバイスの不均一性によって生じる課題にもかかわらず、提案されたスキームは他の空中fl戦略を大きく上回っている。

関連論文リスト

Compute-Update Federated Learning: A Lattice Coding Approach Over-the-Air [18.88978854474189]
本稿では,デジタル通信によるオーバー・ザ・エア計算を実現するための統合学習フレームワークを提案する。本稿では,量子化モデルパラメータの整数結合を確実に復号化するための新しい受信構造を提案する。
論文参考訳（メタデータ） (2024-09-10T08:52:24Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文参考訳（メタデータ） (2023-06-08T06:15:17Z)
Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文参考訳（メタデータ） (2022-10-07T15:39:11Z)
Neural Network-based OFDM Receiver for Resource Constrained IoT Devices [44.8697473676516]
モノのインターネット(IoT)のための新しいモジュール型機械学習(ML)ベースのレシーバチェーンの設計について検討する。 MLブロックはOFDM受信機の個々の処理ブロックを置換し,従来のチャネル推定,シンボルデマッピング,デコードブロックをニューラルネットワーク(NN)で置き換える。提案手法は,従来の非MLレシーバのビット誤り率を,シミュレーションとオーバー・ザ・エアで平均61%,10%向上させるものである。
論文参考訳（メタデータ） (2022-05-12T15:32:35Z)
Algorithms for the Communication of Samples [9.442139459221783]
本稿では,従来の手法よりも現実的に有利な2つの新しい符号化方式を提案する。まず,命令型ランダムコーディング(ORC)を導入し,従来の手法のコーディングコストを削減する。次に、ディザレート量子化を用いたハイブリッド符号化方式について述べる。
論文参考訳（メタデータ） (2021-10-25T11:04:01Z)
Channel Estimation Based on Machine Learning Paradigm for Spatial Modulation OFDM [0.0]
ディープニューラルネットワーク(DNN)は、レイリーフェディングチャネル上のエンドツーエンドデータ検出のための空間変調直交周波数分割多重化(SM-OFDM)技術と統合されている。提案システムは受信したシンボルを直接復調し,チャネル推定を暗黙的に行う。
論文参考訳（メタデータ） (2021-09-15T10:54:56Z)
Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-22T13:34:53Z)
Cluster-Based Cooperative Digital Over-the-Air Aggregation for Wireless Federated Edge Learning [9.179817518536545]
空気上計算(AirComp)を用いた無線エッジにおける連合学習システムについて検討する。このようなシステムでは、ユーザは、高速なモデルアグリゲーションを実現するために、マルチアクセスチャネル上でメッセージを同時に送信する。本稿では,ユーザが位相補正を行い,全電力で送信する送信機の要求を緩和する改良されたディジタルAirComp方式を提案する。
論文参考訳（メタデータ） (2020-08-03T16:29:52Z)
Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
論文参考訳（メタデータ） (2020-07-16T02:00:53Z)
Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。