論文の概要: ReinDSplit: Reinforced Dynamic Split Learning for Pest Recognition in Precision Agriculture
- arxiv url: http://arxiv.org/abs/2506.13935v1
- Date: Mon, 16 Jun 2025 19:18:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.219343
- Title: ReinDSplit: Reinforced Dynamic Split Learning for Pest Recognition in Precision Agriculture
- Title(参考訳): ReinDSplit:精密農業における害虫認識のための強化された動的スプリット学習
- Authors: Vishesh Kumar Tanwar, Soumik Sarkar, Asheesh K. Singh, Sajal K. Das,
- Abstract要約: 我々はReinDSplitを紹介した。ReinDSplitは強化学習フレームワークで、各デバイスに対してスプリットポイントを動的に調整する。
Qラーニングエージェントは適応オーケストレータとして機能し、ワークロードとデバイス間のレイテンシしきい値のバランスをとる。
ResNet18, GoogleNet, MobileNetV2の3種類の昆虫分類データセットを用いてReinDSplitを評価する。
- 参考スコア(独自算出の注目度): 13.00865517063611
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To empower precision agriculture through distributed machine learning (DML), split learning (SL) has emerged as a promising paradigm, partitioning deep neural networks (DNNs) between edge devices and servers to reduce computational burdens and preserve data privacy. However, conventional SL frameworks' one-split-fits-all strategy is a critical limitation in agricultural ecosystems where edge insect monitoring devices exhibit vast heterogeneity in computational power, energy constraints, and connectivity. This leads to straggler bottlenecks, inefficient resource utilization, and compromised model performance. Bridging this gap, we introduce ReinDSplit, a novel reinforcement learning (RL)-driven framework that dynamically tailors DNN split points for each device, optimizing efficiency without sacrificing accuracy. Specifically, a Q-learning agent acts as an adaptive orchestrator, balancing workloads and latency thresholds across devices to mitigate computational starvation or overload. By framing split layer selection as a finite-state Markov decision process, ReinDSplit convergence ensures that highly constrained devices contribute meaningfully to model training over time. Evaluated on three insect classification datasets using ResNet18, GoogleNet, and MobileNetV2, ReinDSplit achieves 94.31% accuracy with MobileNetV2. Beyond agriculture, ReinDSplit pioneers a paradigm shift in SL by harmonizing RL for resource efficiency, privacy, and scalability in heterogeneous environments.
- Abstract(参考訳): 分散機械学習(DML)による精密農業を強化するため、スプリットラーニング(SL)が有望なパラダイムとして登場し、エッジデバイスとサーバ間でディープニューラルネットワーク(DNN)を分割することで、計算負荷の低減とデータのプライバシ保護を実現している。
しかし、従来のSLフレームワークのワンスプリット・オール戦略は、エッジ昆虫監視装置が計算能力、エネルギー制約、接続性において大きな異質性を示す農業生態系において重要な限界である。
これにより、トラグラーのボトルネック、非効率なリソース利用、モデルパフォーマンスが損なわれる。
このギャップを埋めて、新しい強化学習(RL)駆動のフレームワークであるReinDSplitを導入し、DNNスプリットポイントを動的に調整し、精度を犠牲にすることなく効率を最適化する。
具体的には、Q学習エージェントが適応オーケストレータとして機能し、ワークロードとレイテンシしきい値のバランスを取り、計算の飢餓や過負荷を軽減する。
分割層選択を有限状態マルコフ決定過程としてフレーミングすることにより、ReinDSplit収束は、高度に制約されたデバイスが時間の経過とともにモデルのトレーニングに有意義に寄与することを保証する。
ResNet18、GoogleNet、MobileNetV2を使用して3つの昆虫分類データセットを評価し、ReinDSplitはMobileNetV2で94.31%の精度を達成した。
農業以外にも、ReinDSplitは、異種環境におけるリソース効率、プライバシ、スケーラビリティのためにRLを調和させることによって、SLのパラダイムシフトを開拓した。
関連論文リスト
- Federated Split Learning with Model Pruning and Gradient Quantization in Wireless Networks [7.439160287320074]
Federated split learning (FedSL)は、モデル分割によるエッジデバイスとサーバ間の協調トレーニングを実装している。
本稿では,リソース制約のあるエッジデバイスのトレーニング負担を軽減する軽量なFedSL方式を提案する。
提案手法の収束性能を定量化するために理論的解析を行う。
論文 参考訳(メタデータ) (2024-12-09T11:43:03Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-29T19:02:54Z) - Accelerating Split Federated Learning over Wireless Communication
Networks [17.97006656280742]
我々は、連立学習(FL)の並列モデル学習機構と分割学習(SL)のモデル分割構造を組み合わせた分割学習(SFL)フレームワークを検討する。
システム遅延を最小限に抑えるために,分割点選択と帯域割り当ての連立問題を定式化する。
実験の結果,レイテンシ低減と精度向上における作業の優位性を実証した。
論文 参考訳(メタデータ) (2023-10-24T07:49:56Z) - Efficient Parallel Split Learning over Resource-constrained Wireless
Edge Networks [44.37047471448793]
本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。
そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。
提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2023-03-26T16:09:48Z) - 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) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z)
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。