論文の概要: Overpredictive Signal Analytics in Federated Learning: Algorithms and Analysis

• arxiv url: http://arxiv.org/abs/2410.01399v1
• Date: Wed, 2 Oct 2024 10:21:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 21:19:25.816824
• Title: Overpredictive Signal Analytics in Federated Learning: Algorithms and Analysis
• Title（参考訳）: フェデレーション学習における過剰予測信号分析:アルゴリズムと分析
• Authors: Vijay Anavangot,
• Abstract要約: エッジ信号処理は、フェデレート学習で提案されるクライアントサーバモデルにおける分散学習と推論を容易にする。 本稿では,効率的な凸最適化フレームワークを用いて,クライアントデバイスにおける過剰予測信号近似を計算するアルゴリズムを提案する。 また,提案した分散アルゴリズムの性能を,公用住宅エネルギー消費データセット上で示す。
• 参考スコア（独自算出の注目度）: 0.8702432681310399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Edge signal processing facilitates distributed learning and inference in the client-server model proposed in federated learning. In traditional machine learning, clients (IoT devices) that acquire raw signal samples can aid a data center (server) learn a global signal model by pooling these distributed samples at a third-party location. Despite the promising capabilities of IoTs, these distributed deployments often face the challenge of sensitive private data and communication rate constraints. This necessitates a learning approach that communicates a processed approximation of the distributed samples instead of the raw signals. Such a decentralized learning approach using signal approximations will be termed distributed signal analytics in this work. Overpredictive signal approximations may be desired for distributed signal analytics, especially in network demand (capacity) planning applications motivated by federated learning. In this work, we propose algorithms that compute an overpredictive signal approximation at the client devices using an efficient convex optimization framework. Tradeoffs between communication cost, sampling rate, and the signal approximation error are quantified using mathematical analysis. We also show the performance of the proposed distributed algorithms on a publicly available residential energy consumption dataset.
• Abstract（参考訳）: エッジ信号処理は、フェデレート学習で提案されるクライアントサーバモデルにおける分散学習と推論を容易にする。 従来の機械学習では、生の信号サンプルを取得するクライアント(IoTデバイス)は、データセンター(サーバ)が、これらの分散サンプルをサードパーティの場所でプールすることで、グローバルな信号モデルを学ぶのに役立つ。 IoTの有望な機能にもかかわらず、これらの分散デプロイメントは、機密性の高いプライベートデータと通信速度の制約という課題に直面していることが多い。 これは、生信号の代わりに分散サンプルの処理された近似を伝達する学習アプローチを必要とする。 このような信号近似を用いた分散学習手法を分散信号解析と呼ぶ。 過大予測信号近似は、特にフェデレーション学習によって動機付けられたネットワーク需要(容量)計画アプリケーションにおいて、分散信号分析のために望まれる。 本研究では,効率的な凸最適化フレームワークを用いて,クライアントデバイスにおける過剰予測信号近似を計算するアルゴリズムを提案する。 数式解析により,通信コスト,サンプリングレート,信号近似誤差のトレードオフを定量化する。 また,提案した分散アルゴリズムの性能を,公用住宅エネルギー消費データセット上で示す。

関連論文リスト

• Semi-Supervised Learning via Swapped Prediction for Communication Signal Recognition [11.325643693823828]
  ラベルが少ない小さなデータセットでディープニューラルネットワークをトレーニングすることは、一般的に過度な適合に陥り、結果として生成されたパフォーマンスが低下する。 我々は、より容易に利用可能なラベル付き信号データの集合を効果的に活用し、一般化を改善する半教師付き学習(SSL)法を開発した。
  論文  参考訳（メタデータ） (2023-11-14T14:08:55Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Effectively Heterogeneous Federated Learning: A Pairing and Split Learning Based Approach [16.093068118849246]
  本稿では,クライアントと異なる計算資源をペアリングする,新しい分割フェデレーション学習(SFL)フレームワークを提案する。 グラフエッジ選択問題として,学習遅延の最適化を再構築し,グレディアルゴリズムを提案する。 シミュレーションの結果,提案手法はFLトレーニング速度を大幅に向上し,高い性能を実現することができることがわかった。
  論文  参考訳（メタデータ） (2023-08-26T11:10:54Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
  Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。 このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
  論文  参考訳（メタデータ） (2022-02-17T02:01:37Z)
• Communication-Efficient Hierarchical Federated Learning for IoT Heterogeneous Systems with Imbalanced Data [42.26599494940002]
  フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。 本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。 複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
  論文  参考訳（メタデータ） (2021-07-14T08:32:39Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。