論文の概要: COMSPLIT: A Communication-Aware Split Learning Design for Heterogeneous IoT Platforms

• arxiv url: http://arxiv.org/abs/2410.19375v1
• Date: Fri, 25 Oct 2024 08:27:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:33:12.114089
• Title: COMSPLIT: A Communication-Aware Split Learning Design for Heterogeneous IoT Platforms
• Title（参考訳）: COMSPLIT: 異種IoTプラットフォームのためのコミュニケーション対応スプリット学習設計
• Authors: Vukan Ninkovic, Dejan Vukobratovic, Dragisa Miskovic, Marco Zennaro,
• Abstract要約: COMSPLITは、スプリットラーニング(SL)とIoTネットワークにおける時系列データ処理に適した推論パラダイムのための通信対応設計である。 その結果, COMSPLIT はバニラSL 法に比べて優れた性能を示した。
• 参考スコア（独自算出の注目度）: 5.13730975608994
• License:
• Abstract: The significance of distributed learning and inference algorithms in Internet of Things (IoT) network is growing since they flexibly distribute computation load between IoT devices and the infrastructure, enhance data privacy, and minimize latency. However, a notable challenge stems from the influence of communication channel conditions on their performance. In this work, we introduce COMSPLIT: a novel communication-aware design for split learning (SL) and inference paradigm tailored to processing time series data in IoT networks. COMSPLIT provides a versatile framework for deploying adaptable SL in IoT networks affected by diverse channel conditions. In conjunction with the integration of an early-exit strategy, and addressing IoT scenarios containing devices with heterogeneous computational capabilities, COMSPLIT represents a comprehensive design solution for communication-aware SL in IoT networks. Numerical results show superior performance of COMSPLIT compared to vanilla SL approaches (that assume ideal communication channel), demonstrating its ability to offer both design simplicity and adaptability to different channel conditions.
• Abstract（参考訳）: モノのインターネット(IoT)ネットワークにおける分散学習と推論アルゴリズムの重要性は、IoTデバイスとインフラストラクチャ間の計算負荷を柔軟に分散し、データのプライバシを高め、レイテンシを最小化することによって増大している。 しかし,通信チャネル条件が性能に与える影響は注目に値する課題である。 本研究では,分割学習(SL)のための新しいコミュニケーション対応設計であるCOMSPLITと,IoTネットワークにおける時系列データ処理に適した推論パラダイムを紹介する。 COMSPLITは、さまざまなチャネル条件に影響を受けるIoTネットワークに適応可能なSLをデプロイするための汎用的なフレームワークを提供する。 アーリーエグジット戦略の統合と、異種計算機能を備えたデバイスを含むIoTシナリオへの対処と合わせて、COMSPLITは、IoTネットワークにおける通信対応SLのための包括的な設計ソリューションである。 COMSPLITはバニラSLアプローチ(理想的な通信チャネルを仮定する)と比較して優れた性能を示し、設計の単純さと異なるチャネル条件への適応性の両方を提供する能力を示した。

関連論文リスト

• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Digital Twin-Native AI-Driven Service Architecture for Industrial Networks [2.2924151077053407]
  我々は、IoTネットワークの概念をサポートするDTネイティブなAI駆動サービスアーキテクチャを提案する。 提案するDTネイティブアーキテクチャでは,TCPベースのデータフローパイプラインと強化学習(RL)ベースの学習モデルを実装している。
  論文  参考訳（メタデータ） (2023-11-24T14:56:13Z)
• Communication-Efficient Framework for Distributed Image Semantic Wireless Transmission [68.69108124451263]
  IoTデバイスを用いたマルチタスク分散画像伝送のためのFederated Learning-based semantic communication (FLSC)フレームワーク。 各リンクは階層型視覚変換器(HVT)ベースの抽出器とタスク適応トランスレータで構成される。 チャネル状態情報に基づく多重出力多重出力伝送モジュール。
  論文  参考訳（メタデータ） (2023-08-07T16:32:14Z)
• Multi-Tier Hierarchical Federated Learning-assisted NTN for Intelligent IoT Services [24.10349383347469]
  本研究では,分散型協調学習環境の育成におけるMT-HFLの役割について考察する。 これにより、IoTデバイスがコントリビューションだけでなく、ネットワーク管理において情報的な決定を行うことが可能になる。 このセットアップにより、効率的なデータ処理、高度なプライバシとセキュリティ対策、および変動するネットワーク条件への応答が保証される。
  論文  参考訳（メタデータ） (2023-05-09T14:03:22Z)
• Semi-Federated Learning for Collaborative Intelligence in Massive IoT Networks [5.267288702335319]
  知的IoTの実現のための潜在的なソリューションを提供するために,セミフェデレーション学習(SemiFL)フレームワークを提案する。 我々のフレームワークは、コンピューティングに制限されたセンサーが存在する場合でも、IoTデバイスの数の観点から高いスケーラビリティを示している。
  論文  参考訳（メタデータ） (2023-03-09T05:53:28Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks [56.91063444859008]
  Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。 FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。 年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-12-14T17:33:01Z)
• Communication-oriented Model Fine-tuning for Packet-loss Resilient Distributed Inference under Highly Lossy IoT Networks [6.107812768939554]
  分散推論(DI)は、リソース制約のあるモノのインターネット(IoT)デバイス上で、最先端のディープラーニング(ML)によって強化されたリアルタイムアプリケーションのためのテクニックである。 DIでは、計算タスクは、損失の多いIoTネットワークを介して、IoTデバイスからエッジサーバにオフロードされる。 低遅延かつ信頼性の低い通信リンクで高精度なDIを実現するための通信指向モデルチューニング(COMtune)を提案する。
  論文  参考訳（メタデータ） (2021-12-17T09:40:21Z)
• Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks [52.93232352968347]
  本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。 FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:17:17Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Convergence Analysis and System Design for Federated Learning over Wireless Networks [16.978276697446724]
  フェデレートラーニング(FL)は、IoTにおいて重要かつ有望な学習スキームとして登場した。 FLトレーニングは、無線通信ネットワークに大きく影響される頻繁なモデル交換を必要とします。 本論文では,コミュニケーションネットワークとトレーニング設定の協調影響を考慮したFLトレーニングの収束率を解析する。
  論文  参考訳（メタデータ） (2021-04-30T02:33:29Z)

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。