論文の概要: Distributed Swarm Learning for Edge Internet of Things

• arxiv url: http://arxiv.org/abs/2403.20188v1
• Date: Fri, 29 Mar 2024 14:05:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 15:34:34.129745
• Title: Distributed Swarm Learning for Edge Internet of Things
• Title（参考訳）: エッジIoTのための分散Swarm学習
• Authors: Yue Wang, Zhi Tian, FXin Fan, Zhipeng Cai, Cameron Nowzari, Kai Zeng,
• Abstract要約: IoT(Internet of Things)の急速な成長により、マシンラーニングタスクのための無線エッジにスマート計算デバイスが広くデプロイされている。 本稿では,Swarmセキュリティ,非制約無線通信,プライバシ問題などのリスクについて検討する。 生物学的インテリジェンスを総合的に組み合わせて、エッジ無線ネットワークにおける大規模IoTの効率的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 28.125744688546842
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The rapid growth of Internet of Things (IoT) has led to the widespread deployment of smart IoT devices at wireless edge for collaborative machine learning tasks, ushering in a new era of edge learning. With a huge number of hardware-constrained IoT devices operating in resource-limited wireless networks, edge learning encounters substantial challenges, including communication and computation bottlenecks, device and data heterogeneity, security risks, privacy leakages, non-convex optimization, and complex wireless environments. To address these issues, this article explores a novel framework known as distributed swarm learning (DSL), which combines artificial intelligence and biological swarm intelligence in a holistic manner. By harnessing advanced signal processing and communications, DSL provides efficient solutions and robust tools for large-scale IoT at the edge of wireless networks.
• Abstract（参考訳）: IoT(Internet of Things)の急速な成長により、スマートIoTデバイスがワイヤレスエッジに広く展開され、コラボレーション機械学習タスクが実現し、エッジ学習の新しい時代が到来した。 リソース制限の無線ネットワークで動作するハードウェアに制約のあるIoTデバイスが多数存在するため、エッジ学習は、通信と計算のボトルネック、デバイスとデータの均一性、セキュリティリスク、プライバシリーク、非凸最適化、複雑な無線環境など、重大な課題に直面している。 これらの課題に対処するため,本稿では,人工知能と生物群知を総合的に組み合わせた分散群学習(DSL)と呼ばれる新しいフレームワークについて検討する。 高度な信号処理と通信を活用することにより、DSLは、無線ネットワークの端で大規模IoTのための効率的なソリューションと堅牢なツールを提供する。

関連論文リスト

• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Task-Oriented Integrated Sensing, Computation and Communication for Wireless Edge AI [46.61358701676358]
  エッジ人工知能(AI)は、従来のクラウドをネットワークエッジまで高速に計算するために提案されている。 近年,特定のエッジAIタスクに対する無線センシング,計算,通信(SC$2$)の収束が,パラダイムシフトを引き起こしている。 超信頼性で低レイテンシなエッジインテリジェンス獲得を実現するために、完全に統合されたセンシング、計算、通信(I SCC)を進めることが最重要である。
  論文  参考訳（メタデータ） (2023-06-11T06:40:51Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
  第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。 本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
  論文  参考訳（メタデータ） (2022-05-27T13:09:29Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• 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)
• Communication-Efficient Edge AI Inference Over Wireless Networks [33.1306043471745]
  我々は、低レイテンシでエネルギー効率のよいAIサービスを提供するために、ネットワークエッジにモデル推論を効率的に配置する原則を提示する。 これには、低遅延デバイス分散モデル推論のための無線分散コンピューティングフレームワークと、エネルギー効率の良いエッジ協調モデル推論のための無線協調送信戦略が含まれる。
  論文  参考訳（メタデータ） (2020-04-28T08:04:06Z)
• Federated Machine Learning for Intelligent IoT via Reconfigurable Intelligent Surface [35.64178319119883]
  我々は,インテリジェントIoTネットワークのための,オーバー・ザ・エアに基づく通信効率の高いフェデレーション機械学習フレームワークを開発した。 モデル集約誤差を低減するために,マルチアクセスチャネルの波形重畳特性を利用する。
  論文  参考訳（メタデータ） (2020-04-13T09:48:04Z)
• Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
  エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。 このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。 AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
  論文  参考訳（メタデータ） (2020-02-22T09:27:55Z)

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。

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。