文献

J-GLOBAL ID：202202261677146836   整理番号：22A0787738

連合学習における通信損失トレードオフ:分散クライアント選択アルゴリズム【JST・京大機械翻訳】

Communication-Loss Trade-Off in Federated Learning: A Distributed Client Selection Algorithm

著者 (4件)： Hosseinzadeh Minoo (University of Kentucky,Department of Computer Science) ,  Hudson Nathaniel (University of Kentucky,Department of Computer Science) ,  Heshmati Sam (University of Kentucky,Department of Marketing & Supply Chain) ,  Khamfroush Hana (University of Kentucky,Department of Computer Science)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： CCNC  ページ： 1-6  発行年： 2022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： モノのインターネット(IoT)で発生する質量データ生成は,意味のある情報を抽出するための処理を必要とする。深層学習は,そのような処理を実行するために一般的に使用される。しかし,これらのデータの敏感な性質のため,データプライバシーを考慮することが重要である。そのようなように,連合学習(FL)がこの問題に取り組むために提案されている。FLはクライアントデバイスに訓練し,大域的モデルを更新するために収集したモデル重みを集約して中心サーバをタスクする。しかし,これらのモデル重みの伝送は,徐々に高価である。集約のための通信モデル重みとグローバルモデルによって提供される損失の間のトレードオフは未解決の問題である。本研究では,最適化問題としてFLにおけるクライアント選択のトレードオフ問題をキャストした。次に,低い損失を維持しながら,全体の通信コスト を最小化することを期待して,クライアントデバイスが集約に参加することを決定する分散クライアント選択(DCS)アルゴリズムを設計した。CIFAR-10,FMNISTおよびMNISTデータセットを用いて,標準FLおよび最先端のクライアント選択アルゴリズム(Power-of-Choice(PoC)と呼ぶ)に対する提案クライアント選択アルゴリズムの性能を評価した。著者らの実験結果は,このDCSアルゴリズムが標準FLとPoCによって提供される損失に密接にマッチできることを確認し,一方,平均の通信コストを標準FLとPoCと比較して,それぞれ,ほぼ32.67%と44.71%まで削減する。Copyright 2022 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： *アルゴリズム ,  最適化問題 ,  通信系モデル ,  *通信
準シソーラス用語： 通信コスト ,  モノのインターネット ,  深層学習 , 【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 (5件)： 学習 ,  損失 ,  トレードオフ ,  クライアント ,  アルゴリズム