Fugu-MT 論文翻訳(概要): DRL-Based Resource Allocation for Motion Blur Resistant Federated Self-Supervised Learning in IoV

論文の概要: DRL-Based Resource Allocation for Motion Blur Resistant Federated Self-Supervised Learning in IoV

arxiv url: http://arxiv.org/abs/2408.09194v1
Date: Sat, 17 Aug 2024 13:12:04 GMT
ステータス: 処理完了
システム内更新日: 2024-08-20 21:50:21.951317
Title: DRL-Based Resource Allocation for Motion Blur Resistant Federated Self-Supervised Learning in IoV
Title（参考訳）: IoVにおける運動ブラア抵抗フェデレーション自己監督学習のためのDRLに基づく資源配分
Authors: Xueying Gu, Qiong Wu, Pingyi Fan, Qiang Fan, Nan Cheng, Wen Chen, Khaled B. Letaief,
Abstract要約: Internet of Vehicles (IoV)では、フェデレートラーニング(FL)が、データを共有せずにローカルモデルを集約することで、プライバシ保護ソリューションを提供する。従来の教師付き学習はラベル付きイメージデータを必要とするが、データラベリングにはかなりの手作業が必要となる。我々は,深層強化学習(DRL)に基づく資源配分方式を提案することにより,BFSSLプロセスのエネルギー消費と遅延に対処する。
参考スコア（独自算出の注目度）: 27.713716107122572
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the Internet of Vehicles (IoV), Federated Learning (FL) provides a privacy-preserving solution by aggregating local models without sharing data. Traditional supervised learning requires image data with labels, but data labeling involves significant manual effort. Federated Self-Supervised Learning (FSSL) utilizes Self-Supervised Learning (SSL) for local training in FL, eliminating the need for labels while protecting privacy. Compared to other SSL methods, Momentum Contrast (MoCo) reduces the demand for computing resources and storage space by creating a dictionary. However, using MoCo in FSSL requires uploading the local dictionary from vehicles to Base Station (BS), which poses a risk of privacy leakage. Simplified Contrast (SimCo) addresses the privacy leakage issue in MoCo-based FSSL by using dual temperature instead of a dictionary to control sample distribution. Additionally, considering the negative impact of motion blur on model aggregation, and based on SimCo, we propose a motion blur-resistant FSSL method, referred to as BFSSL. Furthermore, we address energy consumption and delay in the BFSSL process by proposing a Deep Reinforcement Learning (DRL)-based resource allocation scheme, called DRL-BFSSL. In this scheme, BS allocates the Central Processing Unit (CPU) frequency and transmission power of vehicles to minimize energy consumption and latency, while aggregating received models based on the motion blur level. Simulation results validate the effectiveness of our proposed aggregation and resource allocation methods.
Abstract（参考訳）: Internet of Vehicles (IoV)では、フェデレートラーニング(FL)が、データを共有せずにローカルモデルを集約することで、プライバシ保護ソリューションを提供する。従来の教師付き学習はラベル付きイメージデータを必要とするが、データラベリングにはかなりの手作業が必要となる。 FSSL(Federated Self-Supervised Learning)は、FLのローカルトレーニングにSSL(Self-Supervised Learning)を使用している。他のSSLメソッドと比較して、MoCo(Momentum Contrast)は、辞書を作成することで、コンピューティングリソースとストレージスペースの需要を減らす。しかし、FSSLでMoCoを使用するには、車両からBS(Base Station)にローカル辞書をアップロードする必要がある。 SimCo(Simplified Contrast)は、MoCoベースのFSSLのプライバシー漏洩問題に、辞書の代わりに二重温度を用いて対処し、サンプル分布を制御する。また,モデルアグリゲーションに対する動きのぼかしの負の影響を考慮し,SimCoをベースとして,BFSSLと呼ばれる動きのぼかし耐性FSSL法を提案する。さらに, DRL-BFSSL(Deep Reinforcement Learning, 深層強化学習)に基づく資源割り当て方式を提案することにより, BFSSLプロセスのエネルギー消費と遅延に対処する。この方式では、BSは車両のCPU(Central Processing Unit)周波数と送信電力を割り当て、エネルギー消費と遅延を最小限に抑え、一方、受信したモデルはモーションボケレベルに基づいて集約する。シミュレーションの結果,提案手法の有効性を検証した。

関連論文リスト

Model Partition and Resource Allocation for Split Learning in Vehicular Edge Networks [24.85135243655983]
本稿では,これらの課題に対処する新しいU字型分割学習(U-SFL)フレームワークを提案する。 U-SFLは、生のデータとラベルの両方をVU側に置くことで、プライバシー保護を強化することができる。通信効率を最適化するために,送信データの次元を著しく低減する意味認識型自動エンコーダ(SAE)を導入する。
論文参考訳（メタデータ） (2024-11-11T07:59:13Z)
TinyML NLP Approach for Semantic Wireless Sentiment Classification [49.801175302937246]
本稿では,エネルギー効率のよいプライバシ保護型小型機械学習(MLTiny)方式としてスプリットラーニング(SL)を導入する。その結果,SLは高い精度を維持しながら処理能力とCO2排出量を低減し,FLは効率とプライバシのバランスのとれた妥協を提供することがわかった。
論文参考訳（メタデータ） (2024-11-09T21:26:59Z)
Mobility-Aware Federated Self-supervised Learning in Vehicular Network [8.30695698868618]
Federated Learning(FL)は、高度な分散機械学習アプローチである。ロードサイドユニット(RSU)にすべてのデータをアップロードすることなく、モデルを複数のデバイスで同時にトレーニングすることで、各車両のプライバシを保護する。本稿では,ラベルを必要とせず,車載環境下での自己教師型学習のための事前学習段階として機能するFLSimCoという,画像ボケレベルからアグリゲーションへのFLアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-08-01T03:28:10Z)
R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [83.77114091471822]
Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLの課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータが相手のジャミングに感受性を持つことである。これは、言語理解に不可欠である大規模言語モデル(LLM)における単語埋め込みパラメータに対して特に顕著である。無線ネットワーク上でのLLM(R-SFLLM)を用いたレジリエンスSFLのための物理層フレームワークを開発した。
論文参考訳（メタデータ） (2024-07-16T12:21:29Z)
LW-FedSSL: Resource-efficient Layer-wise Federated Self-supervised Learning [14.413037571286564]
LW-FedSSLは、エッジデバイスが一度にモデルの単一レイヤをインクリメンタルにトレーニングできる、レイヤワイドな自己教師型学習アプローチである。我々は,LW-FedSSLが従来のフェデレーション型自己教師型学習(FedSSL)と同等のパフォーマンスを実現するために,サーバ側の校正と表現アライメント機構を導入する。提案されたメカニズムにより、LW-FedSSLはメモリ使用量の3.3倍の削減、2.1倍の少ない計算処理(FLOP)、3.2倍の通信コストを達成する。
論文参考訳（メタデータ） (2024-01-22T01:57:31Z)
Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
クラス非依存動作予測のための半教師あり学習の可能性について検討する。我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
論文参考訳（メタデータ） (2023-12-13T09:32:50Z)
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)
Bayesian Federated Learning over Wireless Networks [87.37301441859925]
フェデレーションラーニングは、ローカルデバイスに保存された異種データセットを使用したプライバシー保護と分散トレーニング方法です。本稿では、スケーラブルBFL (SBFL) と呼ばれる効率的な修正BFLアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-12-31T07:32:44Z)
Federated Learning for Hybrid Beamforming in mm-Wave Massive MIMO [12.487990897680422]
本稿では,ハイブリッドビームフォーミングのためのFL(Federated Learning)ベースのフレームワークを紹介し,ベースステーションでモデルトレーニングを行う。我々は、入力がチャネルデータである畳み込みニューラルネットワークを設計し、出力時にアナログビームフォーマを出力する。 FLは、チャネルデータの不完全性や破損に対してより寛容であり、CMLよりも透過オーバーヘッドが少ないことが示されている。
論文参考訳（メタデータ） (2020-05-20T11:21:07Z)
Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。 BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文参考訳（メタデータ） (2020-04-08T16:29:19Z)

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。