論文の概要: Adaptive and Parallel Split Federated Learning in Vehicular Edge Computing
- arxiv url: http://arxiv.org/abs/2405.18707v1
- Date: Wed, 29 May 2024 02:34:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 21:04:06.794457
- Title: Adaptive and Parallel Split Federated Learning in Vehicular Edge Computing
- Title（参考訳）: ベクトルエッジコンピューティングにおける適応的・並列的フェデレーション学習
- Authors: Xianke Qiang, Zheng Chang, Yun Hu, Lei Liu, Timo Hamalainen,
- Abstract要約: 車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムを実現するための有望なパラダイムである。
フェデレートラーニング(Federated Learning, FL)は、コラボレーティブモデルトレーニングとアグリゲーションを促進する基礎技術のひとつである。
ASFV(Adaptive Split Federated Learning scheme for Vehicular Edge Computing) を開発した。
- 参考スコア（独自算出の注目度）: 6.004901615052089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicular edge intelligence (VEI) is a promising paradigm for enabling future intelligent transportation systems by accommodating artificial intelligence (AI) at the vehicular edge computing (VEC) system. Federated learning (FL) stands as one of the fundamental technologies facilitating collaborative model training locally and aggregation, while safeguarding the privacy of vehicle data in VEI. However, traditional FL faces challenges in adapting to vehicle heterogeneity, training large models on resource-constrained vehicles, and remaining susceptible to model weight privacy leakage. Meanwhile, split learning (SL) is proposed as a promising collaborative learning framework which can mitigate the risk of model wights leakage, and release the training workload on vehicles. SL sequentially trains a model between a vehicle and an edge cloud (EC) by dividing the entire model into a vehicle-side model and an EC-side model at a given cut layer. In this work, we combine the advantages of SL and FL to develop an Adaptive Split Federated Learning scheme for Vehicular Edge Computing (ASFV). The ASFV scheme adaptively splits the model and parallelizes the training process, taking into account mobile vehicle selection and resource allocation. Our extensive simulations, conducted on non-independent and identically distributed data, demonstrate that the proposed ASFV solution significantly reduces training latency compared to existing benchmarks, while adapting to network dynamics and vehicles' mobility.
- Abstract（参考訳）: 車両エッジインテリジェンス(VEI)は、車両エッジコンピューティング(VEC)システムに人工知能(AI)を収容することで、将来のインテリジェントトランスポートシステムを実現するための有望なパラダイムである。
フェデレーテッド・ラーニング(FL)は、VEIにおける車両データのプライバシを保護しつつ、局所的に協調的なモデルトレーニングとアグリゲーションを促進する基本的な技術の1つである。
しかし、従来のFLは、車両の不均一性に適応し、資源に制約のある車両で大規模なモデルを訓練し、重量プライバシーの漏洩をモデル化する際の課題に直面している。
一方、スプリットラーニング(SL)は、モデルワイトリークのリスクを軽減し、車両上でのトレーニング負荷を解放する、有望な協調学習フレームワークとして提案されている。
SLは、モデル全体を車両側モデルとEC側モデルに分割することで、車両とエッジクラウド(EC)の間のモデルを順次訓練する。
本研究では、SLとFLの利点を組み合わせて、ベクトルエッジコンピューティング(ASFV)のための適応分割フェデレート学習スキームを開発する。
ASFVスキームはモデルを適応的に分割し、移動体選択と資源配分を考慮したトレーニングプロセスを並列化する。
非独立で同一の分散データを用いて行った広範囲なシミュレーションにより、提案手法は既存のベンチマークと比較してトレーニングの遅延を著しく低減し、ネットワークのダイナミクスや車両の移動性に適応することを示した。
関連論文リスト
- VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular Federated Learning [2.6322811557798746]
車両用無線環境マップフェデレートラーニング(VREM-FL)を提案する。
車両の移動性と5G無線環境マップを組み合わせる。
VREM-FLは無線リソース使用のためのトレーニング時間に調整することができる。
論文 参考訳（メタデータ） (2023-11-30T17:38:54Z) - Communication Resources Constrained Hierarchical Federated Learning for
End-to-End Autonomous Driving [67.78611905156808]
本稿では,最適化に基づくコミュニケーションリソース制約付き階層型学習フレームワークを提案する。
その結果,提案したCRCHFLは収束速度を加速し,フェデレーション学習自律運転モデルの一般化を促進することがわかった。
論文 参考訳（メタデータ） (2023-06-28T12:44:59Z) - 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) - Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
モデルに基づく強化学習手法であるIso-Dream++を提案する。
我々は、切り離された潜在的想像力に基づいて政策最適化を行う。
これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
論文 参考訳（メタデータ） (2023-03-27T02:55:56Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-26T08:13:22Z) - MOB-FL: Mobility-Aware Federated Learning for Intelligent Connected
Vehicles [21.615151912285835]
我々は、ニューラルネットワークを協調的かつ分散的に訓練するために、近隣のICVをコーディネートする基地局を考える。
車両の移動性のため、基地局とICV間の接続は短命である。
本稿では,各トレーニングラウンドの時間と局所的なイテレーション回数を最適化し,FL-ICVフレームワークの高速化を提案する。
論文 参考訳（メタデータ） (2022-12-07T08:53:53Z) - Enhanced Decentralized Federated Learning based on Consensus in
Connected Vehicles [14.80476265018825]
分散システムにおける機械学習(ML)モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。
我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
論文 参考訳（メタデータ） (2022-09-22T01:21:23Z) - 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) - Mobility, Communication and Computation Aware Federated Learning for
Internet of Vehicles [29.476152044104005]
道路車両を学習エージェントとして利用する新しいオンラインFLプラットフォームを提案する。
現代の車両の高度な機能のおかげで、車載センサーは車両が軌道に沿って移動するときにデータを集めることができる。
オンボードプロセッサは、収集されたデータを使用して機械学習モデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-05-17T19:14:38Z) - A Credibility-aware Swarm-Federated Deep Learning Framework in Internet
of Vehicles [14.068813113859338]
FDL(Federated Deep Learning)は、自動車インターネット(IoV)における分散機械学習の実現を支援する。
本稿では,SLをFDLフレームワークに統合したIoVシステム(IoV-SFDL)におけるSwarm-Federated Deep Learningフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-09T12:33:54Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
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。