HCFL:大規模IoTネットワークにおける通信効率の良い連合学習のための高圧縮アプローチ【JST・京大機械翻訳】

Nguyen Minh-Duong; Lee Sang-Min; Pham Quoc-Viet; Hoang Dinh Thai; Nguyen Diep N.; Hwang Won-Joo

プレプリント

J-GLOBAL ID：202202217953787052 整理番号：22P0332048

HCFL:大規模IoTネットワークにおける通信効率の良い連合学習のための高圧縮アプローチ【JST・京大機械翻訳】

HCFL: A High Compression Approach for Communication-Efficient Federated Learning in Very Large Scale IoT Networks

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04月14日プレプリントサーバーでの情報更新日： 2022年06月21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)

学習(FL)は,モノのインターネット(IoT)デバイスが処理のための集中ノードに生データを送ることなく協調モデルを学習することを可能にする新しい人工知能概念である。多数の利点にもかかわらず,IoTデバイスにおける低計算資源と交換モデルパラメータのための高通信コストが,大規模IoTネットワークにおけるFLの応用を非常に制限した。本研究では,非常に大規模なIoTネットワークのための高圧縮連合学習(HCFL)と呼ばれるFLのための新しい圧縮方式を開発した。HCFLは,それらの構造とハイパーパラメータを変えることなく,FLプロセスに対するデータ負荷を減少できる。この方法で,通信コストを大幅に削減できるだけでなく,低計算資源IoTデバイスでより適応できる集中学習プロセスも作成できる。さらに,IoTデバイスの数およびFLモデルの収束レベルの間の関係を調べ,それによってFLプロセスの品質をより良く評価した。シミュレーションと数学的解析の両方でHCFLスキームを実証した。提案した理論的研究は,最小レベルの満足として使用可能であり,FLプロセスが,決定した構成が満たされたとき,良好な性能を達成できることを証明した。したがって,HCFLは多数のIoTデバイスを有する任意のFL統合ネットワークに適用できることを示した。【JST・京大機械翻訳】

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

計算機網 , 無線通信一般

, , ,

前のページに戻る