最適化フローティング集約点を用いたマルチエッジサーバ支援動的連合学習【JST・京大機械翻訳】

Ganguly Bhargav; Hosseinalipour Seyyedali; Kim Kwang Taik; Brinton Christopher G.; Aggarwal Vaneet; Love David J.; Chiang Mung

プレプリント

J-GLOBAL ID：202202204034949653 整理番号：22P0310600

最適化フローティング集約点を用いたマルチエッジサーバ支援動的連合学習【JST・京大機械翻訳】

Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年03月25日プレプリントサーバーでの情報更新日： 2022年10月22日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

協調エッジ支援動的連合学習(CE-FL)を提案した。CE-FLは分散機械学習(ML)アーキテクチャを導入し,データ収集はエンドデバイスで実行され,一方,モデル訓練はエンドデバイスとエッジサーバで協調的に実行され,基地局を通してエンドデバイスからエッジサーバへのデータオフロードにより可能になった。CE-FLは浮遊凝集点も導入し,そこではデバイスとサーバで生成された局所モデルがエッジサーバで集合し,これはデータ分布とユーザの移動性に関してネットワーク進化に対処するために,1つのモデル訓練ラウンドからもう1つに変わる。CE-FLは通信/計算モデルおよび互いに近接するネットワーク要素の不均一性を考慮する。さらに,CE-FLは,MLモデル性能におけるドリフトを引き起こすネットワークデバイスにおけるデータのオンライン変化を伴う動的環境を予見する。CE-FL中に取り込まれたプロセスをモデル化し,そのMLモデル訓練の解析的収束解析を行った。次に,学習過程へのそれらの寄与を調整することにより,すべてのネットワーク要素を適応的に最適化することを目的とするネットワーク意識CE-FLを定式化し,非凸混合整数問題になることが分かった。システムの大規模によって動機づけられて,著者らはネットワーク要素を通して解法の計算を壊すために分散最適化ソルバを提案した。最後に,実世界のテストベッドから収集したデータを用いて,このフレームワークの有効性を実証した。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

計算機網 , ディジタル計算機方式一般

, , ,

前のページに戻る