Fugu-MT 論文翻訳(概要): Boosting Fairness and Robustness in Over-the-Air Federated Learning

論文の概要: Boosting Fairness and Robustness in Over-the-Air Federated Learning

arxiv url: http://arxiv.org/abs/2403.04431v1
Date: Thu, 7 Mar 2024 12:03:04 GMT
ステータス: 処理完了
システム内更新日: 2024-03-08 14:13:55.460382
Title: Boosting Fairness and Robustness in Over-the-Air Federated Learning
Title（参考訳）: オーバー・ザ・エア・フェデレーション学習における公平性とロバスト性の向上
Authors: Halil Yigit Oksuz, Fabio Molinari, Henning Sprekeler, Joerg Raisch
Abstract要約: オーバー・ザ・エア・コンピューティングは5G以上の通信戦略である。 minmax最適化による公平性とロバスト性の提供を目的としたOver-the-Airフェデレーション学習アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 3.2088888904556123
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Over-the-Air Computation is a beyond-5G communication strategy that has recently been shown to be useful for the decentralized training of machine learning models due to its efficiency. In this paper, we propose an Over-the-Air federated learning algorithm that aims to provide fairness and robustness through minmax optimization. By using the epigraph form of the problem at hand, we show that the proposed algorithm converges to the optimal solution of the minmax problem. Moreover, the proposed approach does not require reconstructing channel coefficients by complex encoding-decoding schemes as opposed to state-of-the-art approaches. This improves both efficiency and privacy.
Abstract（参考訳）: Over-the-Air Computationは、5Gを超える通信戦略であり、その効率性から機械学習モデルの分散トレーニングに有用であることが最近示されている。本稿では,minmax最適化による公平性とロバスト性の提供を目的とした,空中フェデレーション学習アルゴリズムを提案する。問題のエピグラフ形式を用いて,提案アルゴリズムがminmax問題の最適解に収束することを示す。さらに,提案手法では,最先端の手法とは対照的に,複雑な符号化復号スキームによるチャネル係数の再構成を必要としない。これにより効率性とプライバシーが向上する。

関連論文リスト

CHARME: A chain-based reinforcement learning approach for the minor embedding problem [16.24890195949869]
本稿では,CHARME という名前の小さな埋め込み問題に対処するために,強化学習(RL)技術を利用した新しい手法を提案する。 CHARMEには、ポリシーモデリングのためのグラフニューラルネットワーク(GNN)アーキテクチャ、ソリューションの有効性を保証する状態遷移アルゴリズム、効果的なトレーニングのための順序探索戦略の3つの重要なコンポーネントが含まれている。詳細では、CHARME は Minorminer や ATOM のような高速な埋め込み法に比べて優れた解が得られる。
論文参考訳（メタデータ） (2024-06-11T10:12:10Z)
Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文参考訳（メタデータ） (2023-05-24T17:26:22Z)
Federated Compositional Deep AUC Maximization [58.25078060952361]
本研究では,曲線(AUC)のスコアを直接最適化することにより,不均衡なデータに対する新しいフェデレート学習法を開発した。私たちの知る限りでは、このような好ましい理論的な結果を達成した最初の作品である。
論文参考訳（メタデータ） (2023-04-20T05:49:41Z)
Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文参考訳（メタデータ） (2022-12-02T05:07:50Z)
Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文参考訳（メタデータ） (2022-10-31T09:46:26Z)
Federated Learning with a Sampling Algorithm under Isoperimetry [9.990687944474738]
フェデレーション学習は、機械学習アルゴリズムのトレーニングを複数のデバイスに効率的に分散するために、一連のテクニックを使用する。本稿では,Langevinvin のサンプル Aafteri の通信効率のよい変種を提案する。
論文参考訳（メタデータ） (2022-06-02T08:19:03Z)
Federated Learning via Inexact ADMM [46.99210047518554]
本稿では,乗算器の不正確な交互方向法(ADMM)を提案する。どちらも通信効率が高く、ストラグラー効果と戦うことができ、穏やかな条件下で収束する。フェデレート学習のためのいくつかの最先端アルゴリズムと比較して高い数値性能を持つ。
論文参考訳（メタデータ） (2022-04-22T09:55:33Z)
On the Unreasonable Efficiency of State Space Clustering in Personalization Tasks [1.495380389108477]
複雑な報酬信号を用いてパーソナライズタスクを解くための強化学習(RL)手法を検討する。我々のアプローチは、単純な$k$-meansアルゴリズムを用いて状態空間クラスタリングに基づいている。
論文参考訳（メタデータ） (2021-12-24T21:12:40Z)
Deep Learning Methods for Joint Optimization of Beamforming and Fronthaul Quantization in Cloud Radio Access Networks [12.838832724944615]
クラウド無線ネットワーク(C-RAN)システムでは,AP間の協調ビームフォーミングとフロントハウライズ戦略が不可欠である。非次元量問題は、AP当たりの電力とフロントホール容量の制約から導かれる。我々は、よく訓練された深層ニューラルネットワーク(DNN)が存在する深層学習最適化モジュールについて検討する。提案手法の利点を数値計算により検証した。
論文参考訳（メタデータ） (2021-07-06T10:27:43Z)
Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2020-07-14T12:38:21Z)
Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。