文献

J-GLOBAL ID：202202292011394982   整理番号：22A1087004

モデルマッピングに基づく異種モデル融合連合学習機構【JST・京大機械翻訳】

Heterogeneous Model Fusion Federated Learning Mechanism Based on Model Mapping

著者 (5件)： Lu Xiaofeng (National Engineering Laboratory for Mobile Internet Security Technology, Beijing University of Post and Telecommunications, Beijing, China) ,  Liao Yuying (School of Computer, National University of Defense Technology, Changsha, China) ,  Liu Chao (School of Cyberspace Security, Beijing University of Post and Telecommunications, Beijing, China) ,  Lio Pietro (Computer Laboratory, University of Cambridge, Cambridge, U.K) ,  Hui Pan (Department of Computer Science and Engineering, Hong Kong University of Science and Technology, Hong Kong)
資料名： IEEE Internet of Things Journal  (IEEE Internet of Things Journal)
巻： 9  号： 8  ページ： 6058-6068  発行年： 2022年 
JST資料番号： W2432A  ISSN： 2327-4662  資料種別： 逐次刊行物 (A)
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： 種々のモノのインターネット(IoT)デバイスの計算電力は全く異なる。機械学習を行うためのより低い計算電力を持つIoTデバイスを可能にするために,すべてのノードは,より小さなモデルだけを訓練することができ,高性能デバイスのための計算電力の浪費をもたらす。本論文では,不均一モデル融合連合学習(HFL)機構を提案した。各ノードは,それ自身の計算能力に従って,異なるスケールの学習モデルを学習する。各ノードにより訓練された勾配を受信した後,パラメータサーバ(PS)は反復行列で受信した勾配を修正し,マッピング行列に従って大域的モデルの対応領域を更新した。すべての更新操作の後,PSは圧縮モデルを対応するノードに割り当てる。本論文は,3つのデータセット,2つのモデル構造,および3つの計算複雑性レベルを含む提案方法を評価するために,様々な実験方式を使用した。提案方法は,エッジノードの不均衡コンピューティング電力の使用を最大化するだけでなく,他のものの欠点を補償するための異なる構造モデルも可能にし,全体的性能を改善することを証明した。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： 学習モデル ,  *電力 ,  計算量 ,  機械学習
準シソーラス用語： 構造モデル ,  不均衡 ,  モノのインターネット , 【Automatic Indexing@JST】

分類 (2件)： 信号理論  (ND02020G) ,  マイクロ波・ミリ波通信  (ND08020W)

タイトルに関連する用語 (4件)： モデル ,  マッピング ,  融合 ,  学習