抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
今日,産業モノのインターネット(IIoT)は産業4.0で不可欠な役割を果たし,産業知能のための大量のデータを生成した。これらのデータは,現代の工場における分散装置上に位置する。産業データの機密性を保護するために,連合学習(FL)を共同訓練した機械学習モデルに導入した。しかし,異なるデバイスによって収集された局所データは,クラス分布でスキューし,産業FL性能を劣化させる。この課題は,モバイルエッジで広く研究されているが,それらは,工場装置の急速に変化するストリーミングデータとクラスタリング特性を無視し,より深刻に,それらは,データセキュリティを脅かす可能性がある。本論文では,非i.i.d.データにおける産業FL性能を改善するために,5Gの電力産業のための階層的クラウドエッジエンドFLフレームワークであるFedGSを提案した。自然にクラスタ化された工場装置を利用して,FedGSは,各工場内の装置の部分集合を選択し,FL訓練に参加する均一なスーパーノードを構築するため,勾配ベースのバイナリ置換アルゴリズム(GBP-CS)を使用する。次に,著者らは,データ不均一性に対して大きなロバスト性を示す,これらのスーパーノード内および間の訓練プロセスを調整するための複合ステップ同期プロトコルを提案した。提案方法は時間効率的であり,危険な操作において秘密産業データを曝露せずに動的環境に適応できる。FedGSはFedAvgより良い収束性能を持ち,FedGSがより通信効率が高い緩和条件を与えることを証明した。大規模な実験は,FedGSが精度を3.5%改善し,訓練ラウンドを平均59%削減し,非i.i.d.データに対する優れた有効性と効率を確認した。【JST・京大機械翻訳】