論文の概要: PeerFL: A Simulator for Peer-to-Peer Federated Learning at Scale

• arxiv url: http://arxiv.org/abs/2405.17839v1
• Date: Tue, 28 May 2024 05:30:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 20:16:52.326706
• Title: PeerFL: A Simulator for Peer-to-Peer Federated Learning at Scale
• Title（参考訳）: PeerFL: 大規模ピアツーピアフェデレーション学習シミュレータ
• Authors: Alka Luqman, Shivanshu Shekhar, Anupam Chattopadhyay,
• Abstract要約: この研究は、ピアツーピアのフェデレーション学習ツールと、広く使われているネットワークシミュレータNS3を統合する。 本実験では,大規模計算資源利用におけるシミュレータの効率性を示す。 フレームワークはオープンソースで、コミュニティへの使用と拡張が可能である。
• 参考スコア（独自算出の注目度）: 3.7338201977027885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work integrates peer-to-peer federated learning tools with NS3, a widely used network simulator, to create a novel simulator designed to allow heterogeneous device experiments in federated learning. This cross-platform adaptability addresses a critical gap in existing simulation tools, enhancing the overall utility and user experience. NS3 is leveraged to simulate WiFi dynamics to facilitate federated learning experiments with participants that move around physically during training, leading to dynamic network characteristics. Our experiments showcase the simulator's efficiency in computational resource utilization at scale, with a maximum of 450 heterogeneous devices modelled as participants in federated learning. This positions it as a valuable tool for simulation-based investigations in peer-to-peer federated learning. The framework is open source and available for use and extension to the community.
• Abstract（参考訳）: この研究は、ピアツーピアのフェデレーション学習ツールと広く使われているネットワークシミュレータNS3を統合し、フェデレーション学習における異種デバイス実験を可能にするために設計された新しいシミュレータを作成する。 このクロスプラットフォーム適応性は、既存のシミュレーションツールの重大なギャップに対処し、全体的なユーティリティとユーザエクスペリエンスを向上します。 NS3はWiFiダイナミックスをシミュレートして、トレーニング中に物理的に動き回る参加者とのフェデレーション学習実験を促進することで、動的ネットワーク特性をもたらす。 実験では,計算資源の大規模利用におけるシミュレータの効率を実証し,最大450個の異種デバイスをフェデレート学習の参加者としてモデル化した。 これは、ピアツーピア・フェデレーション・ラーニングにおけるシミュレーションに基づく調査のための貴重なツールとして位置づけられている。 フレームワークはオープンソースで、コミュニティへの使用と拡張が可能である。

関連論文リスト

• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• KAUCUS: Knowledge Augmented User Simulators for Training Language Model Assistants [3.724713116252253]
  有用な対話データを生成するシミュレータを作成することにより、効果的な指示追従アシスタントを開発することができる。 以前のユーザシミュレータは一般的に多様性に欠けており、ほとんどはクローズドドメインであり、厳密なスキーマを必要としていた。 本稿では,知識強化型ユーザシミュレータフレームワークであるKaucusを紹介し,多様なユーザシミュレータ作成プロセスの概要について述べる。
  論文  参考訳（メタデータ） (2024-01-29T06:57:02Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• An Empirical Study of Federated Learning on IoT-Edge Devices: Resource Allocation and Heterogeneity [2.055204980188575]
  Federated Learning(FL)は、単一のサーバと複数のクライアントがクライアントからデータを移動することなく、協調してMLモデルを構築する分散アプローチである。 本研究では,IoTとエッジデバイス(IoT-Edgeデバイスと呼ばれる)の大規模ネットワーク上で,FLの実環境特性を示す大規模な実験を系統的に実施する。
  論文  参考訳（メタデータ） (2023-05-31T13:16:07Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• A Discrete-event-based Simulator for Deep Learning at Edge [7.096287095663305]
  離散イベントに基づくエッジ学習シミュレータを提案する。 ディープラーニングモジュールとネットワークシミュレーションモジュールが含まれている。 私たちのフレームワークは汎用的であり、ディープラーニングモデルがデプロイされる前に、さまざまなディープラーニング問題に使用できる。
  論文  参考訳（メタデータ） (2021-12-02T03:13:53Z)
• Sim-to-Real Transfer in Multi-agent Reinforcement Networking for Federated Edge Computing [11.3251009653699]
  無線マルチホップエッジコンピューティングネットワーク上でのフェデレートラーニング(FL)は、デバイス上での分散ディープラーニングのパラダイムである。 本稿では,マルチホップFLシステムの高速プロトタイピング,sim-to-realコード,知識伝達を可能にする,高忠実なLinuxベースシミュレータであるFedEdgeシミュレータを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:21:07Z)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)

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。