論文の概要: Dynamic Scheduling for Vehicle-to-Vehicle Communications Enhanced Federated Learning
- arxiv url: http://arxiv.org/abs/2406.17470v1
- Date: Tue, 25 Jun 2024 11:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-26 14:32:18.421892
- Title: Dynamic Scheduling for Vehicle-to-Vehicle Communications Enhanced Federated Learning
- Title（参考訳）: フェデレーション学習による車車間通信の動的スケジューリング
- Authors: Jintao Yan, Tan Chen, Yuxuan Sun, Zhaojun Nan, Sheng Zhou, Zhisheng Niu,
- Abstract要約: 車両連系学習(VFL)は、連結車両のエッジトレーニングに応用されている。
VFLトレーニング性能を最適化するために最適化問題を定式化する。
本稿では,V2Vを拡張した動的スケジューリングアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 14.942677904783759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Leveraging the computing and sensing capabilities of vehicles, vehicular federated learning (VFL) has been applied to edge training for connected vehicles. The dynamic and interconnected nature of vehicular networks presents unique opportunities to harness direct vehicle-to-vehicle (V2V) communications, enhancing VFL training efficiency. In this paper, we formulate a stochastic optimization problem to optimize the VFL training performance, considering the energy constraints and mobility of vehicles, and propose a V2V-enhanced dynamic scheduling (VEDS) algorithm to solve it. The model aggregation requirements of VFL and the limited transmission time due to mobility result in a stepwise objective function, which presents challenges in solving the problem. We thus propose a derivative-based drift-plus-penalty method to convert the long-term stochastic optimization problem to an online mixed integer nonlinear programming (MINLP) problem, and provide a theoretical analysis to bound the performance gap between the online solution and the offline optimal solution. Further analysis of the scheduling priority reduces the original problem into a set of convex optimization problems, which are efficiently solved using the interior-point method. Experimental results demonstrate that compared with the state-of-the-art benchmarks, the proposed algorithm enhances the image classification accuracy on the CIFAR-10 dataset by 3.18% and reduces the average displacement errors on the Argoverse trajectory prediction dataset by 10.21%.
- Abstract（参考訳）: 車両のコンピューティングとセンシング機能を活用して、車両連系学習(VFL)が連結車両のエッジトレーニングに応用されている。
車両ネットワークの動的および相互接続性は、車両間直接通信(V2V)を利用するユニークな機会を示し、VFL訓練効率を向上させる。
本稿では,車両のエネルギー制約と移動性を考慮して,VFLトレーニング性能を最適化する確率的最適化問題を定式化し,その問題を解決するためにV2V強化動的スケジューリング(VEDS)アルゴリズムを提案する。
VFLのモデルアグリゲーション要件とモビリティによる送信時間制限は、段階的に目的関数となり、この問題を解決する上での課題が提示される。
そこで本研究では, 長期確率最適化問題をオンライン混合整数非線形プログラミング(MINLP)問題に変換する微分型ドリフト・プラス・ペナルティ法を提案し, オンライン解とオフライン最適解間の性能ギャップを限定する理論的解析を行った。
さらに、スケジューリング優先度の分析により、元の問題を一連の凸最適化問題に還元し、インテリアポイント法を用いて効率よく解決する。
実験結果から,CIFAR-10データセットにおける画像分類精度を3.18%向上し,Argoverse軌道予測データセットにおける平均変位誤差を10.21%低減した。
関連論文リスト
- Wireless Federated Learning over UAV-enabled Integrated Sensing and Communication [2.8203310972866382]
本稿では,無人航空機(UAV)を利用した統合型統合学習(FL)における新しい遅延最適化問題について検討する。
ベンチマーク方式と比較して,システム遅延を最大68.54%削減し,高品質な近似解を求めるため,単純かつ効率的な反復アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-11-01T14:25:24Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - Eco-Driving Control of Connected and Automated Vehicles using Neural
Network based Rollout [0.0]
接続された自動運転車は、エネルギー消費を最小化する可能性がある。
既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。
本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-16T23:13:51Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - 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) - Fast and computationally efficient generative adversarial network
algorithm for unmanned aerial vehicle-based network coverage optimization [1.2853186701496802]
移動ネットワークにおける動的な交通需要の課題は、無人航空機をベースとした移動セルに対処されている。
将来,無人航空機の膨大な可能性を考えると,カバー範囲最適化のための新しいアルゴリズムを提案する。
提案アルゴリズムは,一意の多層和プーリング損失関数を持つ条件付き生成逆ニューラルネットワークに基づいて実装された。
論文 参考訳（メタデータ） (2022-03-25T12:13:21Z) - Dynamic Origin-Destination Matrix Estimation in Urban Traffic Networks [0.05735035463793007]
この問題を二段階最適化問題としてモデル化する。
内部レベルでは、暫定的な旅行需要を前提として、動的な交通割当問題を解決し、利用者の出身地と目的地間のルーティングを決定する。
外層部では,交通ネットワーク内のセンサによって測定された車両数と内層部で発生したカウンタの差を最小限に抑えることを目的として,旅行数とその出発点および目的地の調整を行う。
論文 参考訳（メタデータ） (2022-01-31T21:33:46Z) - Federated Learning on the Road: Autonomous Controller Design for
Connected and Autonomous Vehicles [109.71532364079711]
CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案
CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。
最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
論文 参考訳（メタデータ） (2021-02-05T19:57:47Z) - Distributed Multi-agent Meta Learning for Trajectory Design in Wireless
Drone Networks [151.27147513363502]
本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。
値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
論文 参考訳（メタデータ） (2020-12-06T01:30:12Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。