論文の概要: An Efficient Privacy-aware Split Learning Framework for Satellite Communications

• arxiv url: http://arxiv.org/abs/2409.08538v1
• Date: Fri, 13 Sep 2024 04:59:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-16 17:48:25.274022
• Title: An Efficient Privacy-aware Split Learning Framework for Satellite Communications
• Title（参考訳）: 衛星通信のための高能率プライバシ・アウェア・スプリット学習フレームワーク
• Authors: Jianfei Sun, Cong Wu, Shahid Mumtaz, Junyi Tao, Mingsheng Cao, Mei Wang, Valerio Frascolla,
• Abstract要約: 衛星通信におけるより効率的なSLのための新しいフレームワークを提案する。 我々のアプローチであるDynamic Topology Informed Pruningは、分散学習のためのグラフニューラルネットワークを最適化するために、差分プライバシとグラフとモデルプルーニングを組み合わせる。 当社のフレームワークは,衛星通信の運用効率を大幅に向上するだけでなく,プライバシに配慮した分散学習の新たなベンチマークも確立している。
• 参考スコア（独自算出の注目度）: 33.608696987158424
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the rapidly evolving domain of satellite communications, integrating advanced machine learning techniques, particularly split learning, is crucial for enhancing data processing and model training efficiency across satellites, space stations, and ground stations. Traditional ML approaches often face significant challenges within satellite networks due to constraints such as limited bandwidth and computational resources. To address this gap, we propose a novel framework for more efficient SL in satellite communications. Our approach, Dynamic Topology Informed Pruning, namely DTIP, combines differential privacy with graph and model pruning to optimize graph neural networks for distributed learning. DTIP strategically applies differential privacy to raw graph data and prunes GNNs, thereby optimizing both model size and communication load across network tiers. Extensive experiments across diverse datasets demonstrate DTIP's efficacy in enhancing privacy, accuracy, and computational efficiency. Specifically, on Amazon2M dataset, DTIP maintains an accuracy of 0.82 while achieving a 50% reduction in floating-point operations per second. Similarly, on ArXiv dataset, DTIP achieves an accuracy of 0.85 under comparable conditions. Our framework not only significantly improves the operational efficiency of satellite communications but also establishes a new benchmark in privacy-aware distributed learning, potentially revolutionizing data handling in space-based networks.
• Abstract（参考訳）: 衛星通信の急速な発展において、高度な機械学習技術、特に分割学習の統合は、衛星、宇宙ステーション、地上ステーション間でのデータ処理とモデルの訓練効率を向上させるために不可欠である。 従来のMLアプローチは、帯域幅の制限や計算資源の制限により、衛星ネットワークにおいて大きな問題に直面することが多い。 このギャップに対処するために、衛星通信におけるより効率的なSLのための新しいフレームワークを提案する。 我々のアプローチである動的トポロジインフォームドプルーニング(DTIP)は、微分プライバシーとグラフとモデルプルーニングを組み合わせて、グラフニューラルネットワークを分散学習に最適化する。 DTIPは、生のグラフデータにディファレンシャルプライバシを戦略的に適用し、ネットワーク層間のモデルサイズと通信負荷を最適化する。 多様なデータセットにわたる大規模な実験は、プライバシー、正確性、計算効率を向上させるDTIPの有効性を示している。 具体的には、Amazon2Mデータセットでは、DTIPは0.82の精度を維持し、毎秒50%の浮動小数点演算を達成している。 同様に、ArXivデータセットでは、DTIPは同等条件下で0.85の精度を達成する。 我々のフレームワークは、衛星通信の運用効率を大幅に改善するだけでなく、プライバシーに配慮した分散学習の新しいベンチマークを構築し、宇宙ネットワークにおけるデータ処理に革命をもたらす可能性がある。

関連論文リスト

• The Robustness of Spiking Neural Networks in Communication and its Application towards Network Efficiency in Federated Learning [6.9569682335746235]
  スパイキングニューラルネットワーク(SNN)は最近、組み込みデバイスでのオンチップ学習に多大な関心を集めている。 本稿では,フェデレートラーニングにおける雑音の多いコミュニケーション下でのSNNの本質的ロバスト性について検討する。 FLトレーニングにおける帯域幅の削減を目的とした,TopKスパシフィケーションを用いた新しいフェデレートラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-19T13:37:18Z)
• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
  統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される 本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-10T08:04:27Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Olive Branch Learning: A Topology-Aware Federated Learning Framework for Space-Air-Ground Integrated Network [19.059950250921926]
  SAGINの助けを借りてAIモデルをトレーニングすることは、高度に制約されたネットワークトポロジ、非効率なデータ転送、プライバシー問題といった課題に直面している。 まず,SAGINのための新しいトポロジ対応フェデレーション学習フレームワーク,すなわちOlive Branch Learning (OBL)を提案する。 我々はOBLフレームワークとCNASAアルゴリズムを拡張し、より複雑なマルチ軌道衛星ネットワークに適応する。
  論文  参考訳（メタデータ） (2022-12-02T14:51:42Z)
• Transfer Learning Based Efficient Traffic Prediction with Limited Training Data [3.689539481706835]
  インターネットトラフィックの効率的な予測は、積極的な管理を確保するための自己組織化ネットワーク(SON)の不可欠な部分である。 限られた訓練データを用いたネットワークトラフィック予測における深部シーケンスモデルは、現在研究されている研究で広く研究されていない。 不適切な歴史データを用いた交通予測における深層移動学習手法の性能について検討・評価を行った。
  論文  参考訳（メタデータ） (2022-05-09T14:44:39Z)
• 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)
• Semi-Decentralized Federated Edge Learning with Data and Device Heterogeneity [6.341508488542275]
  フェデレーションエッジ学習(FEEL)は、ディープラーニングモデルをトレーニングするために、ネットワークエッジに分散データを効果的に組み込むための、プライバシ保護パラダイムとして多くの注目を集めている。 本稿では,複数のエッジサーバを用いて多数のクライアントノードを協調的に調整する,半分散型フェデレーションエッジ学習(SD-FEEL)という,FEELの新しいフレームワークについて検討する。 効率的なモデル共有のためにエッジサーバ間の低レイテンシ通信を利用することで、SD-FEELは従来のフェデレート学習に比べてはるかにレイテンシの低い訓練データを取り込みながら、より多くのトレーニングデータを組み込むことができる。
  論文  参考訳（メタデータ） (2021-12-20T03:06:08Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)

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。