論文の概要: When UAV Meets Federated Learning: Latency Minimization via Joint Trajectory Design and Resource Allocation

• arxiv url: http://arxiv.org/abs/2412.07428v1
• Date: Tue, 10 Dec 2024 11:39:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:35:34.349744
• Title: When UAV Meets Federated Learning: Latency Minimization via Joint Trajectory Design and Resource Allocation
• Title（参考訳）: UAVとフェデレーションラーニング:共同軌道設計と資源配分によるレイテンシ最小化
• Authors: Xuhui Zhang, Wenchao Liu, Jinke Ren, Huijun Xing, Gui Gui, Yanyan Shen, Shuguang Cui,
• Abstract要約: フェデレートラーニング(FL)は、無線ネットワーク上で機械学習モデルをトレーニングするための重要なソリューションとして登場した。 本研究では,無人航空機(UAV)を移動FLサーバとして展開し,FLの訓練プロセスを強化する,革新的なアプローチを提案する。 全体としてのトレーニング効率を改善するために,帯域割り当て,演算周波数,UAVとIoTデバイスの両方の送信電力,UAVの軌道を最適化して遅延問題を定式化する。
• 参考スコア（独自算出の注目度）: 47.20867891501245
• License:
• Abstract: Federated learning (FL) has emerged as a pivotal solution for training machine learning models over wireless networks, particularly for Internet of Things (IoT) devices with limited computation resources. Despite its benefits, the efficiency of FL is often restricted by the communication quality between IoT devices and the central server. To address this issue, we introduce an innovative approach by deploying an unmanned aerial vehicle (UAV) as a mobile FL server to enhance the training process of FL. By leveraging the UAV's maneuverability, we establish robust line-of-sight connections with IoT devices, significantly improving communication capacity. To improve the overall training efficiency, we formulate a latency minimization problem by jointly optimizing the bandwidth allocation, computing frequencies, transmit power for both the UAV and IoT devices, and the UAV's trajectory. Then, an efficient alternating optimization algorithm is developed to solve it efficiently. Furthermore, we analyze the convergence and computational complexity of the proposed algorithm. Finally, numerical results demonstrate that our proposed scheme not only outperforms existing benchmark schemes in terms of latency but also achieves training efficiency that closely approximate the ideal scenario.
• Abstract（参考訳）: フェデレートラーニング(FL)は、特に計算リソースが限られているIoT(Internet of Things)デバイスにおいて、無線ネットワーク上で機械学習モデルをトレーニングするための重要なソリューションとして登場した。 その利点にもかかわらず、FLの効率はIoTデバイスと中央サーバ間の通信品質によって制限されることが多い。 そこで本研究では,無人航空機(UAV)を移動FLサーバとして展開し,FLの訓練プロセスを強化する,革新的なアプローチを提案する。 UAVの操作性を活用することで、IoTデバイスとの堅牢な接続を確立し、通信能力を大幅に向上します。 全体としてのトレーニング効率を向上させるために,帯域割り当て,演算周波数,UAVとIoTデバイスの両方の電力の送信,UAVの軌道を最適化することにより,レイテンシの最小化問題を定式化する。 そして、効率的な交互最適化アルゴリズムを開発し、効率よく解決する。 さらに,提案アルゴリズムの収束と計算の複雑さを解析する。 最後に,提案手法が既存のベンチマーク手法よりもレイテンシの点で優れるだけでなく,理想的なシナリオを近似したトレーニング効率も達成できることを示す。

関連論文リスト

• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• 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)
• Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
  Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。 我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。 具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
  論文  参考訳（メタデータ） (2024-08-26T14:28:51Z)
• Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization [16.265792031520945]
  フェデレートラーニング(FL)には、ローカルデータを転送することなく、共有モデルを協調的にトレーニングする複数のデバイスが含まれる。 FLは通信のオーバーヘッドを減らし、エネルギー資源の少ないUAV強化無線ネットワークにおいて有望な学習方法となる。 この可能性にもかかわらず、UAVに強化されたネットワークにFLを実装することは困難であり、カバー範囲を最大化する従来のUAV配置手法はFL遅延を増大させる。
  論文  参考訳（メタデータ） (2023-08-31T17:50:54Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Muti-Agent Proximal Policy Optimization For Data Freshness in UAV-assisted Networks [4.042622147977782]
  収集したデータが時間に敏感な場合に注目し,そのタイムラインを維持することが重要である。 我々の目標は、UAVの軌道を最適に設計することであり、グローバル・エイジ・オブ・アップデート(AoU)のような訪問するIoTデバイスのサブセットを最小化することである。
  論文  参考訳（メタデータ） (2023-03-15T15:03:09Z)
• 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)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)

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。