論文の概要: Age-Based Device Selection and Transmit Power Optimization in Over-the-Air Federated Learning

• arxiv url: http://arxiv.org/abs/2501.01828v1
• Date: Fri, 03 Jan 2025 14:27:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:10:48.829972
• Title: Age-Based Device Selection and Transmit Power Optimization in Over-the-Air Federated Learning
• Title（参考訳）: オーバー・ザ・エア・フェデレーション学習における年齢に基づくデバイス選択と送信電力最適化
• Authors: Jingyuan Liu, Zheng Chang, Ying-Chang Liang,
• Abstract要約: オーバー・ザ・エア・フェデレーション・ラーニング(FL)は、コミュニケーション効率を高める能力において大きな注目を集めている。 特に、FLでストラグラーデバイスを無視すると、モデル更新の公平性が低下し、あるデバイスのデータに対するグローバルモデルのバイアスが増幅される可能性がある。 本稿では、トラグラー装置の適切な参加を保証し、効率的なトレーニング性能を維持し、タイムリーな更新を保証する共同装置選択および送信電力最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 44.04728314657621
• License:
• Abstract: Recently, over-the-air federated learning (FL) has attracted significant attention for its ability to enhance communication efficiency. However, the performance of over-the-air FL is often constrained by device selection strategies and signal aggregation errors. In particular, neglecting straggler devices in FL can lead to a decline in the fairness of model updates and amplify the global model's bias toward certain devices' data, ultimately impacting the overall system performance. To address this issue, we propose a joint device selection and transmit power optimization framework that ensures the appropriate participation of straggler devices, maintains efficient training performance, and guarantees timely updates. First, we conduct a theoretical analysis to quantify the convergence upper bound of over-the-air FL under age-of-information (AoI)-based device selection. Our analysis further reveals that both the number of selected devices and the signal aggregation errors significantly influence the convergence upper bound. To minimize the expected weighted sum peak age of information, we calculate device priorities for each communication round using Lyapunov optimization and select the highest-priority devices via a greedy algorithm. Then, we formulate and solve a transmit power and normalizing factor optimization problem for selected devices to minimize the time-average mean squared error (MSE). Experimental results demonstrate that our proposed method offers two significant advantages: (1) it reduces MSE and improves model performance compared to baseline methods, and (2) it strikes a balance between fairness and training efficiency while maintaining satisfactory timeliness, ensuring stable model performance.
• Abstract（参考訳）: 近年、オーバー・ザ・エア・フェデレーション・ラーニング(FL)は、通信効率を高める能力において大きな注目を集めている。 しかし、オーバー・ザ・エアFLの性能はデバイス選択戦略や信号集約誤差によって制約されることが多い。 特に、FLでストラグラーデバイスを無視すると、モデル更新の公平性が低下し、あるデバイスのデータに対するグローバルモデルのバイアスが増幅され、最終的にシステム全体のパフォーマンスに影響を及ぼす可能性がある。 この問題に対処するため,我々は,トラグラー装置の適切な参加を保証し,効率的なトレーニング性能を維持し,タイムリーな更新を保証できる共同装置選択および送信電力最適化フレームワークを提案する。 まず,AoIに基づくデバイス選択において,空気上FLの収束上限を定量化するための理論的解析を行う。 解析の結果,選択したデバイス数と信号集約誤差が収束上限に大きく影響していることが判明した。 Lyapunov 最適化を用いて各通信ラウンドのデバイス優先度を算出し,グレディアルゴリズムを用いて最優先のデバイスを選択する。 次に, 平均二乗誤差 (MSE) を最小化するために, 選択したデバイスに対して送信電力と正規化係数の最適化問題を定式化し, 解く。 実験の結果,提案手法は,(1)MSEを低減し,ベースライン法と比較してモデル性能を向上し,(2)良好なタイムラインを維持しつつ,公正性とトレーニング効率のバランスを保ち,モデル性能を安定させるという2つの大きな利点が示された。

関連論文リスト

• Device Scheduling for Relay-assisted Over-the-Air Aggregation in Federated Learning [9.735236606901038]
  フェデレートラーニング(FL)は、ネットワークの端で分散されたデータを活用して、インテリジェントなアプリケーションを実現する。 本稿では,リレー支援FLフレームワークを提案し,リレー支援FLシステムにおけるデバイススケジューリング問題について検討する。
  論文  参考訳（メタデータ） (2023-12-15T03:04:39Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• 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)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
  本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。 提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。 FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T08:52:51Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• A Contribution-based Device Selection Scheme in Federated Learning [31.77382335761709]
  フェデレートラーニング(FL)のセットアップでは、多くのデバイスが共通のモデルのトレーニングに寄与します。 本稿では,改良された一般化,高速収束,デバイスレベルの性能向上を実現するため,更新を提供するデバイスを選択する方法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T13:40:48Z)
• Federated Learning via Intelligent Reflecting Surface [30.935389187215474]
  オーバー・ザ・エア・コンピューティング・アルゴリズム(FL)は,複数のアクセスチャネルの波形重畳特性を利用して高速なモデルアグリゲーションを実現することができる。 本稿では,AirCompベースのFLのための高速かつ信頼性の高いモデルアグリゲーションを実現するための2段階最適化フレームワークを提案する。 シミュレーションの結果,提案するフレームワークとIRSの展開により,ベースラインアルゴリズムよりもトレーニング損失が低く,FL予測精度も高いことがわかった。
  論文  参考訳（メタデータ） (2020-11-10T11:29:57Z)

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。