文献

J-GLOBAL ID：202102261591282942   整理番号：21A0540106

産業用IoTとスマートシティサービスのためのパーティクルスウォーム最適化連合学習【JST・京大機械翻訳】

Particle Swarm Optimized Federated Learning For Industrial IoT and Smart City Services

著者 (4件)： Qolomany Basheer (University of Nebraska at Kearney,College of Business & Technology,Department of Cyber Systems,Kearney,USA,NE 68849) ,  Ahmad Kashif (Hamad Bin Khalifa University,Information & Computing Technology Division, College of Science and Engineering,Doha,Qatar) ,  Al-Fuqaha Ala (Hamad Bin Khalifa University,Information & Computing Technology Division, College of Science and Engineering,Doha,Qatar) ,  Qadir Junaid (Information Technology University,Department of Electrical Engineering,Lahore,Pakistan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： GLOBECOM  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Fedated Learning(FL)に関する研究の大部分は,エッジデバイスで効率的な局所訓練と推論を実行するための重要事項を分析することに焦点を絞って,グローバル最適化,プライバシー,および通信の分析に焦点を合わせている。エッジデバイスに関する成功と効率的な訓練と推論のための主な課題の一つは,局所マシン学習(ML)モデルを構築するためのパラメータの注意深い選択である。この目的のために,FL環境における局所MLモデルのためのハイパーパラメータ設定を最適化するための粒子群最適化(PSO)ベース技術を提案した。2つの事例研究を用いて提案手法の性能を評価する。最初に,スマート都市サービスを考察し,この設定の代理として交通予測のための実験輸送データセットを使用した。第2に,産業IoT(IIoT)サービスを考察し,実時間遠隔測定データセットを用いて,機械が部品故障により短く失敗する確率を予測した。著者らの実験は,PSOが,格子探索法と比較して,深いLong短期メモリ(LSTM)モデルのハイパーパラメータを調整するための効率的手法を提供することを示した。著者らの実験は,近最適パラメータを見つけるための構成の景観を探索するためのクライアントサーバ通信ラウンドの数が,大いに低減される(最先端の非PSOベースアプローチの状態と比較して,ラウンドの2%~4%だけを必要とする)。また,FLと集中学習モデルに対する近最適配置を見つけるための提案PSOベース技法の利用は,モデルの精度に悪影響を及ぼさないことを示した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  *最適化 ,  *学習 ,  学習モデル ,  故障 ,  遠隔測定 ,  都市 ,  通信 ,  交通予測 ,  事例研究 ,  クライアントサーバシステム
準シソーラス用語： 大域的最適化 ,  *粒子群最適化 ,  最適配置 ,  *モノのインターネット , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 産業用IoT ,  スマートシティ ,  サービス ,  パーティクルスウォーム最適化 ,  学習