文献

J-GLOBAL ID：202102268049603374   整理番号：21A2273062

無線トラヒック予測のための二重注意ベース連合学習【JST・京大機械翻訳】

Dual Attention-Based Federated Learning for Wireless Traffic Prediction

著者 (4件)： Zhang Chuanting (King Abdullah University of Science and Technology,Computer, Electrical and Mathematical Science and Engineering Division,Thuwal,Saudi Arabia) ,  Dang Shuping (King Abdullah University of Science and Technology,Computer, Electrical and Mathematical Science and Engineering Division,Thuwal,Saudi Arabia) ,  Shihada Basem (King Abdullah University of Science and Technology,Computer, Electrical and Mathematical Science and Engineering Division,Thuwal,Saudi Arabia) ,  Alouini Mohamed-Slim (King Abdullah University of Science and Technology,Computer, Electrical and Mathematical Science and Engineering Division,Thuwal,Saudi Arabia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2021  号： INFOCOM  ページ： 1-10  発行年： 2021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： 無線トラフィック予測は,負荷意識資源管理や予測制御のようなインテリジェントネットワーク運用を実現するためのセルラネットワークにとって不可欠である。既存の予測手法は,通常集中訓練アーキテクチャを採用し,大量のトラヒックデータの転送を必要とし,それはあるシナリオに対して遅延とプライバシーの懸念を提起する。本研究では,高品質予測モデルを複数のエッジクライアントにより協調的に訓練する,二重注意ベース連合学習(FedDA)と名付けた新しい無線トラヒック予測フレームワークを提案した。種々の無線トラフィックパターンを同時に捕捉し,生データを局所的に保つために,FedDAは,小さな増加データセットを用いて,クライアントを異なるクラスタに最初にグループ化する。次に,準大域モデルを訓練し,事前知識としてクライアント間で共有し,連合学習に直面する統計的不均一性課題を解決することを目指した。グローバルモデルを構築するために,局所モデルの重みを単純に平均化する代わりに,クラスタ内およびクラスタ間モデルを集約することによって,二重注意方式をさらに提案した。2つの実世界無線トラフィックデータセットに関する広範囲な実験を行い,結果は,FedDAが最先端の方法より優れていることを示した。2つのデータセットの平均二乗誤差性能利得は,それぞれ10%と30%であった。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： 予測技法 ,  プライバシー ,  クラスタ ,  利得 ,  *交通予測 ,  不均一性 ,  予測制御 ,  計算機アーキテクチャ ,  インテリジェントネットワーク ,  資源管理 ,  予測モデル
準シソーラス用語： 事前知識 ,  平均二乗誤差 ,  *ワイヤレス ,  セルラーネットワーク , 【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 (4件)： 無線 ,  トラヒック予測 ,  注意 ,  学習