プライバシー保護EdgeIoTにおけるオンラインリソース割当のための深層強化学習支援連合学習の探索【JST・京大機械翻訳】

Zheng Jingjing; Li Kai; Mhaisen Naram; Ni Wei; Tovar Eduardo; Guizani Mohsen

プレプリント

J-GLOBAL ID：202202217285604528 整理番号：22P0290003

プライバシー保護EdgeIoTにおけるオンラインリソース割当のための深層強化学習支援連合学習の探索【JST・京大機械翻訳】

Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in Privacy-Persevering EdgeIoT

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 (6件)： , , , , ,
資料名：
発行年： 2022年02月15日プレプリントサーバーでの情報更新日： 2022年05月18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)

反復学習(FL)は,Thing(EdgeIoT)のモバイルエッジコンピューティングベースインターネットにおける盗聴攻撃からのデータ訓練プライバシーを保存するためにますます考慮されてきた。一方では,FLの学習精度は,訓練のために大きなデータセットを有するIoT装置を選択することによって改良することができて,それはより高いエネルギー消費を引き起こした。他方,エネルギー消費は,FLのための小さなデータセットでIoT装置を選択することによって低減でき,結果として,落下学習精度をもたらす。本論文では,FLの学習精度とIoTデバイスのエネルギー消費のバランスをとるために,プライバシー分散EdgeIoTのための新しい資源割当て問題を定式化した。連続領域における最適精度とエネルギーバランスを達成するために,新しい連合学習可能ツイン遅延深層決定論的ポリシー勾配(FL-DLT3)フレームワークを提案した。さらに,長い短期メモリ(LSTM)を,FL-DLT3に活用し,時変ネットワーク状態を予測し,一方,FL-DLT3を,IoTデバイスを選択し,送信電力を割り当てるために訓練した。数値結果により,提案したFL-DLT3は,高速収束(100反復以下)を達成し,一方,FL精度対エネルギー消費比は,既存の最先端のベンチマークと比較して,51.8%改善された。【JST・京大機械翻訳】

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

計算機網 , データ保護

, , , , , ,

前のページに戻る