論文の概要: Compressed Bayesian Federated Learning for Reliable Passive Radio Sensing in Industrial IoT
- arxiv url: http://arxiv.org/abs/2405.05855v1
- Date: Thu, 9 May 2024 15:44:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-10 12:53:04.709002
- Title: Compressed Bayesian Federated Learning for Reliable Passive Radio Sensing in Industrial IoT
- Title（参考訳）: 産業用IoTにおける信頼性の高いパッシブ無線センシングのための圧縮ベイズフェデレーション学習
- Authors: Luca Barbieri, Stefano Savazzi, Monica Nicoli,
- Abstract要約: 本稿では,学習精度と校正を犠牲にすることなく通信オーバーヘッドを低減するために,通信効率の高い分散化ベイズFLポリシーを提案する。
我々は,自律型レーダセンサを備えた協調ノードが,ロボットと共有する職場で人間のオペレーターを確実にローカライズする作業を行う,産業用IoT(Industrial Internet of Things)のユースケースに,この開発ツールを統合する。
その結果,従来の(圧縮されていない)ベイズ式FLツールと互換性があり,通信オーバーヘッドを著しく低減し(最大99%),高精度かつよく校正されたMLモデルが得られることがわかった。
- 参考スコア（独自算出の注目度）: 4.577725168794258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian Federated Learning (FL) has been recently introduced to provide well-calibrated Machine Learning (ML) models quantifying the uncertainty of their predictions. Despite their advantages compared to frequentist FL setups, Bayesian FL tools implemented over decentralized networks are subject to high communication costs due to the iterated exchange of local posterior distributions among cooperating devices. Therefore, this paper proposes a communication-efficient decentralized Bayesian FL policy to reduce the communication overhead without sacrificing final learning accuracy and calibration. The proposed method integrates compression policies and allows devices to perform multiple optimization steps before sending the local posterior distributions. We integrate the developed tool in an Industrial Internet of Things (IIoT) use case where collaborating nodes equipped with autonomous radar sensors are tasked to reliably localize human operators in a workplace shared with robots. Numerical results show that the developed approach obtains highly accurate yet well-calibrated ML models compatible with the ones provided by conventional (uncompressed) Bayesian FL tools while substantially decreasing the communication overhead (i.e., up to 99%). Furthermore, the proposed approach is advantageous when compared with state-of-the-art compressed frequentist FL setups in terms of calibration, especially when the statistical distribution of the testing dataset changes.
- Abstract（参考訳）: Bayesian Federated Learning (FL)は、最近導入され、予測の不確実性を定量化するための、十分に校正された機械学習(ML)モデルを提供している。
分散化ネットワーク上に実装されたベイジアンFLツールは、頻繁なFLセットアップに比べて長所があるにもかかわらず、協調装置間の局所的な後部分布の反復交換により通信コストが高い。
そこで本稿では,最終学習精度と校正を犠牲にすることなく通信オーバーヘッドを低減するために,通信効率の高い分散化ベイズFLポリシーを提案する。
提案手法は, 圧縮ポリシを統合し, 局所的な後部分布を送信する前に, 複数の最適化ステップを実行することができる。
我々は,自律型レーダセンサを備えた協調ノードが,ロボットと共有する職場で人間のオペレーターを確実にローカライズする作業を行う,産業用IoT(Industrial Internet of Things)のユースケースに,この開発ツールを統合する。
その結果,従来の(圧縮されていない)ベイズ式FLツールと互換性があり,通信オーバヘッドを大幅に低減し(最大99%),高精度かつ校正されたMLモデルが得られることがわかった。
さらに, 実験データセットの統計的分布が変化する場合, キャリブレーションの観点から, 最先端の圧縮頻繁なFLセットアップと比較して, 提案手法は有利である。
関連論文リスト
- Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Unsupervised Federated Optimization at the Edge: D2D-Enabled Learning without Labels [14.696896223432507]
Federated Learning (FL)は、分散機械学習(ML)の一般的なソリューションである
tt CF-CLは、明示的な(生データ)または暗黙的な(埋め込み)情報をデバイス間通信(D2D)を介して交換する、ローカルなデバイス連携を採用している。
論文 参考訳（メタデータ） (2024-04-15T15:17:38Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳（メタデータ） (2023-09-04T21:10:45Z) - Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。
我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。
提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
論文 参考訳（メタデータ） (2023-01-30T11:46:34Z) - HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics
in Industrial Metaverse [49.1501082763252]
本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。
動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。
そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。
ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
論文 参考訳（メタデータ） (2022-11-07T04:33:24Z) - Resource Allocation for Compression-aided Federated Learning with High
Distortion Rate [3.7530276852356645]
我々は、歪み率、参加IoTデバイス数、収束率の間の最適化支援FL問題を定式化する。
参加するIoTデバイスを積極的に制御することにより、通信効率を維持しながら圧縮支援FLのトレーニングばらつきを回避することができる。
論文 参考訳（メタデータ） (2022-06-02T05:00:37Z) - Communication-Efficient Hierarchical Federated Learning for IoT
Heterogeneous Systems with Imbalanced Data [42.26599494940002]
フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。
本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。
複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
論文 参考訳（メタデータ） (2021-07-14T08:32:39Z) - Joint Optimization of Communications and Federated Learning Over the Air [32.14738452396869]
Federated Learning(FL)は、データプライバシーを保護しながら、リッチな分散データを利用するための魅力的なパラダイムです。
本稿では,リアル無線ネットワークにおけるアナログアグリゲーション伝送に基づく通信とFLの協調最適化について検討する。
論文 参考訳（メタデータ） (2021-04-08T03:38:31Z) - Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。
我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。
我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
論文 参考訳（メタデータ） (2020-09-27T08:28:25Z)
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。