論文の概要: RIS-empowered Topology Control for Distributed Learning in Urban Air
Mobility
- arxiv url: http://arxiv.org/abs/2403.05133v1
- Date: Fri, 8 Mar 2024 08:05:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 20:40:38.931506
- Title: RIS-empowered Topology Control for Distributed Learning in Urban Air
Mobility
- Title（参考訳）: RISを用いた都市空調における分散学習のためのトポロジー制御
- Authors: Kai Xiong, Rui Wang, Supeng Leng, Wenyang Che, Chongwen Huang, Chau
Yuen
- Abstract要約: アーバン・エアモビリティ(UAM)は、輸送システムの革命として想定される、地上から地上に近い空間に車両を拡大する。
この課題を克服するために、リソース制限されたデバイスが協調的に深層学習(DL)を行うことを可能にするために、フェデレーション・ラーニング(FL)や他の協調学習が提案されている。
本稿では,分散学習を支援する再構成可能なインテリジェントサーフェス (RIS) について検討する。
- 参考スコア（独自算出の注目度）: 35.04722426910211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban Air Mobility (UAM) expands vehicles from the ground to the near-ground
space, envisioned as a revolution for transportation systems. Comprehensive
scene perception is the foundation for autonomous aerial driving. However, UAM
encounters the intelligent perception challenge: high perception learning
requirements conflict with the limited sensors and computing chips of flying
cars. To overcome the challenge, federated learning (FL) and other
collaborative learning have been proposed to enable resource-limited devices to
conduct onboard deep learning (DL) collaboratively. But traditional
collaborative learning like FL relies on a central integrator for DL model
aggregation, which is difficult to deploy in dynamic environments. The fully
decentralized learning schemes may be the intuitive solution while the
convergence of distributed learning cannot be guaranteed. Accordingly, this
paper explores reconfigurable intelligent surfaces (RIS) empowered distributed
learning, taking account of topological attributes to facilitate the learning
performance with convergence guarantee. We propose several FL topological
criteria for optimizing the transmission delay and convergence rate by
exploiting the Laplacian matrix eigenvalues of the communication network.
Subsequently, we innovatively leverage the RIS link modification ability to
remold the current network according to the proposed topological criteria. This
paper rethinks the functions of RIS from the perspective of the network layer.
Furthermore, a deep deterministic policy gradient-based RIS phase shift control
algorithm is developed to construct or deconstruct the network links
simultaneously to reshape the communication network. Simulation experiments are
conducted over MobileNet-based multi-view learning to verify the efficiency of
the distributed FL framework.
- Abstract（参考訳）: アーバン・エアモビリティ(UAM)は、輸送システムの革命として想定される、地上から地上に近い空間に車両を拡大する。
総合的なシーン認識は自律飛行の基礎である。
しかし、UAMはインテリジェントな認識の課題に直面している。高知覚学習要求は、空飛ぶ車の限られたセンサーやコンピューティングチップと矛盾する。
この課題を克服するために、リソース制限されたデバイスが協調的に深層学習(DL)を行うことを可能にするために、連邦学習(FL)や他の協調学習が提案されている。
しかし、FLのような従来の協調学習は、動的環境へのデプロイが難しいDLモデルの集約のための中央積分子に依存しています。
分散学習の収束は保証できないが、完全に分散化された学習スキームは直感的な解決法かもしれない。
そこで本論文では,分散学習を支援する再構成可能なインテリジェントサーフェス(RIS)について検討し,トポロジカルな属性を考慮し,収束保証による学習性能の向上を図る。
通信ネットワークのラプラシア行列固有値を利用して伝送遅延と収束率を最適化するためのFL位相基準を提案する。
その後,提案する位相的基準に従って,risリンク修正機能を革新的に活用し,現在のネットワークを再構築する。
本稿では,ネットワーク層の観点からRISの機能を再考する。
さらに、深い決定論的ポリシー勾配に基づくRIS位相シフト制御アルゴリズムを開発し、ネットワークリンクを同時に構築または分解し、通信ネットワークを再構築する。
分散flフレームワークの効率性を検証するために,mobilenetを用いたマルチビュー学習によるシミュレーション実験を行った。
関連論文リスト
- Model Partition and Resource Allocation for Split Learning in Vehicular Edge Networks [24.85135243655983]
本稿では,これらの課題に対処する新しいU字型分割学習(U-SFL)フレームワークを提案する。
U-SFLは、生のデータとラベルの両方をVU側に置くことで、プライバシー保護を強化することができる。
通信効率を最適化するために,送信データの次元を著しく低減する意味認識型自動エンコーダ(SAE)を導入する。
論文 参考訳（メタデータ） (2024-11-11T07:59:13Z) - Learning Decentralized Traffic Signal Controllers with Multi-Agent Graph
Reinforcement Learning [42.175067773481416]
我々は,空間的時間的相関を捉えるために,環境観測性を改善した新しい分散制御アーキテクチャを設計する。
具体的には,道路ネットワークに収集された非構造データから相関関連情報を抽出するトポロジ対応情報集約戦略を開発する。
拡散畳み込みモジュールが開発され、新しいMARLアルゴリズムが作成され、エージェントにグラフ学習の能力を与える。
論文 参考訳（メタデータ） (2023-11-07T06:43:15Z) - 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) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-04T09:26:03Z) - 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) - Differentially Private Federated Learning via Reconfigurable Intelligent
Surface [27.004823731436765]
フェデレートラーニング(FL)は、分散化されたローカルデータセットを共有せずに、グローバルモデルの協調トレーニングを可能にする。
本稿では,学習精度とプライバシのジレンマを軽減するために,再構成可能インテリジェントサーフェス (RIS) を用いたオーバー・ザ・エア FLシステムを提案する。
論文 参考訳（メタデータ） (2022-03-31T13:45:02Z) - UAV-Aided Decentralized Learning over Mesh Networks [23.612400109629544]
分散学習は、デバイス間通信(D2D)のみに依存する機械学習(ML)モデルを協調的にトレーニングする、無線ネットワークデバイスに権限を与える。
実世界のメッシュネットワークのローカル接続は、無線ノードの通信範囲が限られており、分散学習プロトコルの効率を損なう。
本論文は,UAVトラジェクトリを最適化し,ユーザグループ間のインテリジェンスを伝達するために,UAVが逐次訪問する一連の経路ポイントとして定義する。
論文 参考訳（メタデータ） (2022-03-02T10:39:40Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Graph Neural Network Reinforcement Learning for Autonomous
Mobility-on-Demand Systems [42.08603087208381]
我々は、AMoD制御問題は自然にノードワイドな意思決定問題として位置づけられていると論じる。
グラフニューラルネットワークによるAMoDシステムの再バランスを制御するための深層強化学習フレームワークを提案する。
重要可搬性タスクに直面した場合、学習したポリシーがゼロショット転送能力を有望に示す方法を示す。
論文 参考訳（メタデータ） (2021-04-23T06:42:38Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Phase Configuration Learning in Wireless Networks with Multiple
Reconfigurable Intelligent Surfaces [50.622375361505824]
RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。
RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。
RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
論文 参考訳（メタデータ） (2020-10-09T05:35:27Z)
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。
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。