論文の概要: Augmenting the FedProx Algorithm by Minimizing Convergence
- arxiv url: http://arxiv.org/abs/2406.00748v1
- Date: Sun, 2 Jun 2024 14:01:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 03:36:42.535411
- Title: Augmenting the FedProx Algorithm by Minimizing Convergence
- Title（参考訳）: 収束最小化によるFedProxアルゴリズムの拡張
- Authors: Anomitra Sarkar, Lavanya Vajpayee,
- Abstract要約: 我々はGフェデレーション・プロクシミティ(G Federated Proximity)と呼ばれる新しいアプローチを提案する。
以上の結果から,既存のモデル性能と比較して,スループットが約90%向上していることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Internet of Things has experienced significant growth and has become an integral part of various industries. This expansion has given rise to the Industrial IoT initiative where industries are utilizing IoT technology to enhance communication and connectivity through innovative solutions such as data analytics and cloud computing. However this widespread adoption of IoT is demanding of algorithms that provide better efficiency for the same training environment without speed being a factor. In this paper we present a novel approach called G Federated Proximity. Building upon the existing FedProx technique our implementation introduces slight modifications to enhance its efficiency and effectiveness. By leveraging FTL our proposed system aims to improve the accuracy of model obtained after the training dataset with the help of normalization techniques such that it performs better on real time devices and heterogeneous networks Our results indicate a significant increase in the throughput of approximately 90% better convergence compared to existing model performance.
- Abstract（参考訳）: モノのインターネットは大きな成長を遂げ、様々な産業の不可欠な部分となっている。
この拡張は、業界がIoT技術を活用して、データ分析やクラウドコンピューティングといった革新的なソリューションを通じて、通信と接続性を向上させる産業用IoTイニシアチブを生み出している。
しかし、このIoTの普及により、スピードを犠牲にすることなく、同じトレーニング環境により良い効率を提供するアルゴリズムが求められている。
本稿では, G Federated Proximity と呼ばれる新しい手法を提案する。
既存のFedProx技術に基づいて、我々の実装は、その効率性と有効性を高めるためにわずかな修正を導入します。
提案システムは,FTLを活用することにより,実時間デバイスや異種ネットワークの性能向上などの正規化手法を用いて,トレーニングデータセットから得られたモデルの精度を向上させることを目的としている。
関連論文リスト
- Efficient Federated Learning Using Dynamic Update and Adaptive Pruning with Momentum on Shared Server Data [59.6985168241067]
フェデレートラーニング(FL)は、低トレーニング効率と限られた計算資源の2つの重要な問題に遭遇する。
本稿では,サーバ上の共有不感データとエッジデバイスの分散データを活用するための新しいFLフレームワークであるFedDUMAPを提案する。
提案するFLモデルであるFedDUMAPは,従来の3つの手法を組み合わせることで,ベースラインアプローチと比較して性能が大幅に向上した。
論文 参考訳（メタデータ） (2024-08-11T02:59:11Z) - Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。
製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。
産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
論文 参考訳（メタデータ） (2024-08-02T10:47:10Z) - Give and Take: Federated Transfer Learning for Industrial IoT Network
Intrusion Detection [3.7498611358320733]
IIoTネットワーク侵入検出のためのフェデレートトランスファーラーニング(FTL)手法を提案する。
本研究の一環として,FTLの実行の中心となる組み合わせ型ニューラルネットワークを提案する。
結果は、IIoTクライアントとサーバの両方のイテレーション間のFTLセットアップのパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-10-11T10:11:54Z) - Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。
本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
論文 参考訳（メタデータ） (2023-10-08T08:55:03Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳（メタデータ） (2023-07-14T04:13:11Z) - FedDUAP: Federated Learning with Dynamic Update and Adaptive Pruning
Using Shared Data on the Server [64.94942635929284]
フェデレーテッド・ラーニング(FL)は2つの重要な課題、すなわち限られた計算資源と訓練効率の低下に悩まされている。
本稿では,サーバ上の不感なデータとエッジデバイスの分散データを利用する新しいFLフレームワークであるFedDUAPを提案する。
提案するFLモデルであるFedDUAPは,2つの元の手法を統合することで,精度(最大4.8%),効率(最大2.8倍),計算コスト(最大61.9%)において,ベースラインアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2022-04-25T10:00:00Z) - Multiply-and-Fire (MNF): An Event-driven Sparse Neural Network
Accelerator [3.224364382976958]
この研究は、ANNアクセラレーションに対するイベント駆動(あるいはアクティベーション駆動)アプローチで、スパーシリティをユニークな視点で見る。
我々の分析および実験結果から、このイベント駆動型ソリューションは、CNNとワークロードの両方で高効率なAI推論を可能にするために、新たな方向を示すことが示されている。
論文 参考訳（メタデータ） (2022-04-20T21:56:50Z) - 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) - FedSup: A Communication-Efficient Federated Learning Fatigue Driving
Behaviors Supervision Framework [10.38729333916008]
FedSupは、プライバシーと効率的な疲労検出のためのクライアントエッジクラウドフレームワークです。
FedSupは、フェデレーション学習技術にインスパイアされ、クライアント、エッジ、クラウドサーバー間のコラボレーションをインテリジェントに活用します。
論文 参考訳（メタデータ） (2021-04-25T07:16:49Z) - Adaptive Federated Learning and Digital Twin for Industrial Internet of
Things [15.102870055701123]
産業用IoT(Industrial Internet of Things)は、動的およびリアルタイムな産業用デバイスによって異なる分散インテリジェントサービスを可能にし、Industrial 4.0のメリットを享受する。
我々は,デジタル双生児が産業機器の特徴を捉え,連合学習を支援する,デジタル双生児による産業用IoTの新たなアーキテクチャを検討する。
ディジタル双生児はデバイス状態の実際の値から推定偏差をもたらす可能性があることに気付き、フェデレーション学習において信頼に基づく集約を提案し、そのような偏差の影響を軽減する。
論文 参考訳（メタデータ） (2020-10-25T07:59:17Z)
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。