論文の概要: Energy-Efficient Federated Learning for AIoT using Clustering Methods

• arxiv url: http://arxiv.org/abs/2505.09704v1
• Date: Wed, 14 May 2025 18:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.05835
• Title: Energy-Efficient Federated Learning for AIoT using Clustering Methods
• Title（参考訳）: クラスタリング法を用いたAIoTのためのエネルギー効率の良いフェデレーションラーニング
• Authors: Roberto Pereira, Fernanda Famá, Charalampos Kalalas, Paolo Dini,
• Abstract要約: 本研究では、前処理、コミュニケーション、局所学習の3つの主要なエネルギー集約的プロセスに焦点を当てた。 分散AIoT環境におけるモデルトレーニングの収束を高速化する2つのクラスタリングインフォームド手法を提案する。
• 参考スコア（独自算出の注目度）: 45.19520248788513
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While substantial research has been devoted to optimizing model performance, convergence rates, and communication efficiency, the energy implications of federated learning (FL) within Artificial Intelligence of Things (AIoT) scenarios are often overlooked in the existing literature. This study examines the energy consumed during the FL process, focusing on three main energy-intensive processes: pre-processing, communication, and local learning, all contributing to the overall energy footprint. We rely on the observation that device/client selection is crucial for speeding up the convergence of model training in a distributed AIoT setting and propose two clustering-informed methods. These clustering solutions are designed to group AIoT devices with similar label distributions, resulting in clusters composed of nearly heterogeneous devices. Hence, our methods alleviate the heterogeneity often encountered in real-world distributed learning applications. Throughout extensive numerical experimentation, we demonstrate that our clustering strategies typically achieve high convergence rates while maintaining low energy consumption when compared to other recent approaches available in the literature.
• Abstract（参考訳）: モデル性能、収束率、通信効率の最適化に多大な研究が費やされているが、AI of Things(AIoT)シナリオにおけるフェデレーション学習(FL)のエネルギーへの影響は、既存の文献では見過ごされがちである。 本研究では、FLプロセス中に消費されるエネルギーについて検討し、前処理、コミュニケーション、局所学習という3つの主要なエネルギー集約的なプロセスに注目し、これらすべてが全体のエネルギーフットプリントに寄与することを示した。 我々は、分散AIoT設定におけるモデルトレーニングの収束を早めるために、デバイス/クライアントの選択が不可欠であるという観察に依存し、クラスタリングインフォームド手法を2つ提案する。 これらのクラスタリングソリューションは、類似のラベル分布を持つAIoTデバイスをグループ化するように設計されており、その結果、ほぼ均一なデバイスで構成されている。 したがって,本手法は実世界の分散学習アプリケーションでしばしば発生する不均一性を緩和する。 大規模な数値実験を通じて,我々のクラスタリング戦略は一般的に,文献で利用可能な他のアプローチと比較して,低エネルギー消費を維持しつつ,高い収束率を達成することを実証した。

関連論文リスト

• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• 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)
• A Hybrid SOM and K-means Model for Time Series Energy Consumption Clustering [0.0]
  本稿では、自己組織化マップとK平均クラスタリングという2つの強力な手法を統合することにより、毎月のエネルギー消費パターンを効果的にクラスタリングする新しい手法を提案する。 本研究の主な焦点は、ロンドンにおけるスマートメーターの時系列エネルギー消費データの選択である。
  論文  参考訳（メタデータ） (2023-11-25T16:55:19Z)
• Energy-Aware Federated Learning with Distributed User Sampling and Multichannel ALOHA [3.7769304982979666]
  エッジデバイス上での分散学習は、フェデレートラーニング(FL)の出現によって注目を集めている。 本稿では,エネルギ収穫装置(EH)をマルチチャネルALOHAとFLネットワークに統合することを検討する。 数値的な結果は,特に臨界設定において,この手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-09-12T08:05:39Z)
• Targeted demand response for flexible energy communities using clustering techniques [2.572906392867547]
  目的は、イタリアの分散エネルギーコミュニティにおける消費者の消費行動を変えることである。 一般的な3つの機械学習アルゴリズム、すなわちk-means、k-medoids、集約クラスタリングが採用されている。 本研究で提案される新しい指標,すなわちピークパフォーマンススコア(PPS)を含む複数の指標を用いた手法の評価を行った。
  論文  参考訳（メタデータ） (2023-03-01T02:29:30Z)
• Semantic Driven Energy based Out-of-Distribution Detection [0.4640835690336652]
  エネルギーベースのOOD法は有望であり、優れた性能を発揮することが証明されている。 本稿では,エンドツーエンドのトレーニングシステムであり,最適化が容易なセマンティックなエネルギーベース手法を提案する。 その結果,我々の新しい手法は,一般的なベンチマーク上でのエネルギーベースモデルとして,外乱検出を強化し,最先端のモデルを実現する。
  論文  参考訳（メタデータ） (2022-08-23T07:40:34Z)
• An Energy and Carbon Footprint Analysis of Distributed and Federated Learning [42.37180749113699]
  古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。 このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。 本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-06-21T13:28:49Z)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
  非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。 本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。 教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
  論文  参考訳（メタデータ） (2021-09-29T02:56:45Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)

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。