論文の概要: Energy-Efficient Federated Learning and Migration in Digital Twin Edge Networks

• arxiv url: http://arxiv.org/abs/2503.15822v1
• Date: Thu, 20 Mar 2025 03:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 22:27:01.590244
• Title: Energy-Efficient Federated Learning and Migration in Digital Twin Edge Networks
• Title（参考訳）: ディジタルツインエッジネットワークにおけるエネルギー効率の良いフェデレーション学習とマイグレーション
• Authors: Yuzhi Zhou, Yaru Fu, Zheng Shi, Howard H. Yang, Kevin Hung, Yan Zhang,
• Abstract要約: 本稿では,デジタル双対関係の問題と,DITEN内における連合学習課題の履歴データアロケーションについて紹介する。 我々の目的は、デジタルツインパワーFLタスクのデータユーティリティと、長期DITEN保守によるエネルギーコストを協調的に最適化することである。
• 参考スコア（独自算出の注目度）: 20.32208271466825
• License:
• Abstract: The digital twin edge network (DITEN) is a significant paradigm in the sixth-generation wireless system (6G) that aims to organize well-developed infrastructures to meet the requirements of evolving application scenarios. However, the impact of the interaction between the long-term DITEN maintenance and detailed digital twin tasks, which often entail privacy considerations, is commonly overlooked in current research. This paper addresses this issue by introducing a problem of digital twin association and historical data allocation for a federated learning (FL) task within DITEN. To achieve this goal, we start by introducing a closed-form function to predict the training accuracy of the FL task, referring to it as the data utility. Subsequently, we carry out comprehensive convergence analyses on the proposed FL methodology. Our objective is to jointly optimize the data utility of the digital twin-empowered FL task and the energy costs incurred by the long-term DITEN maintenance, encompassing FL model training, data synchronization, and twin migration. To tackle the aforementioned challenge, we present an optimization-driven learning algorithm that effectively identifies optimized solutions for the formulated problem. Numerical results demonstrate that our proposed algorithm outperforms various baseline approaches.
• Abstract（参考訳）: ディジタルツインエッジネットワーク(DITEN)は第6世代の無線システム(6G)において,進化するアプリケーションシナリオの要件を満たすために,高度に開発されたインフラストラクチャを編成することを目的とした重要なパラダイムである。 しかし、長期のDITEN保守と、プライバシーを考慮に入れた詳細なデジタルツインタスクとの相互作用の影響は、現在の研究で一般的に見過ごされている。 本稿では,デジタルツイン・アソシエーションと,DITEN内におけるFLタスクにおける履歴データアロケーションの問題を導入することで,この問題に対処する。 この目的を達成するために、FLタスクのトレーニング精度を予測するクローズドフォーム関数を導入し、データユーティリティとして参照することから始める。 その後,提案手法の総合的な収束解析を行う。 本研究の目的は,デジタルツインインパワーFLタスクのデータユーティリティと長期DITEN保守によるエネルギーコストを協調的に最適化することであり,FLモデルトレーニング,データ同期,ツインマイグレーションを含む。 上記の課題に対処するため,定式化問題に対して最適化された解を効果的に同定する最適化学習アルゴリズムを提案する。 数値計算の結果,提案アルゴリズムは様々なベースライン手法よりも優れていた。

関連論文リスト

• Empowering Large Language Models in Wireless Communication: A Novel Dataset and Fine-Tuning Framework [81.29965270493238]
  我々は,無線通信アプリケーションのための大規模言語モデル(LLM)の評価と微調整を目的とした,特殊なデータセットを開発した。 データセットには、真/偽と複数選択型を含む、さまざまなマルチホップ質問が含まれている。 本稿では,PVI(Pointwise V-Information)に基づく微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-01-16T16:19:53Z)
• 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)
• Digital Twin-Enhanced Deep Reinforcement Learning for Resource Management in Networks Slicing [46.65030115953947]
  本稿では,デジタルツインと強化学習エージェントからなるフレームワークを提案する。 具体的には、歴史的データとニューラルネットワークを用いて、実環境の状態変動則をシミュレートするデジタルツインモデルを構築することを提案する。 また、このフレームワークをオフラインで強化学習に拡張し、歴史的データのみに基づいたインテリジェントな意思決定にソリューションを利用できるようにします。
  論文  参考訳（メタデータ） (2023-11-28T15:25:14Z)
• 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)
• Feature Matching Data Synthesis for Non-IID Federated Learning [7.740333805796447]
  フェデレーション学習(FL)は、中央サーバでデータを収集することなく、エッジデバイス上でニューラルネットワークをトレーニングする。 本稿では,局所モデル以外の補助データを共有するハード特徴マッチングデータ合成(HFMDS)手法を提案する。 プライバシーの保存性を向上するため,本研究では,実際の特徴を決定境界に向けて伝達する機能拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-08-09T07:49:39Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Uplink Scheduling in Federated Learning: an Importance-Aware Approach via Graph Representation Learning [5.903263170730936]
  フェデレートラーニング(FL)は、AIベースのサービス、アプリケーション、ネットワークプロシージャを6Gで分散トレーニングするための有望なフレームワークとして登場した。 6G無線FLシステムの性能と効率に影響を及ぼす大きな課題の1つは、リソース制約されたチャネル上でのユーザデバイスの大規模なスケジューリングである。 非教師付きグラフ表現学習(Unsupervised Graph Representation Learning, UGRL)を活用し, FLアプリケーションにおけるクライアントスケジューリングのための新しい, エネルギー効率, 重要度を考慮したメトリクスを提案する。
  論文  参考訳（メタデータ） (2023-01-27T18:30:39Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)
• 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)
• Low-latency Federated Learning and Blockchain for Edge Association in Digital Twin empowered 6G Networks [8.229148322933876]
  デジタル双生児と第6世代モバイルネットワーク(6G)は、産業用モノのインターネット(IIoT)におけるエッジインテリジェンスの実現を加速した。 我々は、デジタルツインを無線ネットワークに組み込むことにより、DTWN(Digital Twin Wireless Networks)を導入する。 我々は、協調コンピューティングのためのDTWNで動作するブロックチェーン強化フェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-17T04:11:31Z)

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。