연합 학습은 분산된 클라이언트들이 통합 모델을 공유하면서 데이터 공유 없이 통합 모델을 학습한다. 연합 학습에서 통신을 통해 디바이스 사이에 모델을 공유하는 것은 높은 지연시간과 통신 혼잡도를 높이는 등 다양한 문제를 초래한다. 또한 지역 업데이트를 연산하며 배터리가 소모되는 것은 배터리가 적은 클라이언트 들에게 치명적인 문제가 된다. 해당 문제를 해결하기 위하여 연합 학습 ...
연합 학습은 분산된 클라이언트들이 통합 모델을 공유하면서 데이터 공유 없이 통합 모델을 학습한다. 연합 학습에서 통신을 통해 디바이스 사이에 모델을 공유하는 것은 높은 지연시간과 통신 혼잡도를 높이는 등 다양한 문제를 초래한다. 또한 지역 업데이트를 연산하며 배터리가 소모되는 것은 배터리가 적은 클라이언트 들에게 치명적인 문제가 된다. 해당 문제를 해결하기 위하여 연합 학습 엣지 플랫폼은 모바일 엣지 컴퓨팅을 접목하였다. 본 논문은 연합 학습 엣지 들이 클라이언트에게서 데이터를 받고 백홀 통신을 통해 클라우드에게서 받은 통합 모델을 학습하는 연합 학습 엣지 플랫폼을 제안한다. 연합 학습 엣지 시스템은 클라이언트에게서 데이터를 많이 받을수록 통합 모델을 정확도를 높이도록 학습시킬 수 있지만 클라이언트에게서 수신한 데이터를 저장한 연합 학습 엣지의 큐가 불안정해질 수 있는 가능성이 있다. 그러므로 본 논문은 데이터를 전송하는 디바이스 수를 조절하여 연합 학습 엣지가 가진 큐 안정성을 지키며 시평균 학습 정확도를 최대화하는 최적 클라이언트 수 결정 알고리즘을 제안한다. 또한 서로 다른 자원 상태를 가진 클라이언트 들이 가진 학습 데이터를 더 많이 사용할 수 있도록 클라이언트가 가진 데이터 양과 통신 품질 및 배터리 잔량을 고려하여 연합 학습 엣지로 데이터를 전송할 클라이언트를 선택하는 알고리즘은 제안한다.
연합 학습은 분산된 클라이언트들이 통합 모델을 공유하면서 데이터 공유 없이 통합 모델을 학습한다. 연합 학습에서 통신을 통해 디바이스 사이에 모델을 공유하는 것은 높은 지연시간과 통신 혼잡도를 높이는 등 다양한 문제를 초래한다. 또한 지역 업데이트를 연산하며 배터리가 소모되는 것은 배터리가 적은 클라이언트 들에게 치명적인 문제가 된다. 해당 문제를 해결하기 위하여 연합 학습 엣지 플랫폼은 모바일 엣지 컴퓨팅을 접목하였다. 본 논문은 연합 학습 엣지 들이 클라이언트에게서 데이터를 받고 백홀 통신을 통해 클라우드에게서 받은 통합 모델을 학습하는 연합 학습 엣지 플랫폼을 제안한다. 연합 학습 엣지 시스템은 클라이언트에게서 데이터를 많이 받을수록 통합 모델을 정확도를 높이도록 학습시킬 수 있지만 클라이언트에게서 수신한 데이터를 저장한 연합 학습 엣지의 큐가 불안정해질 수 있는 가능성이 있다. 그러므로 본 논문은 데이터를 전송하는 디바이스 수를 조절하여 연합 학습 엣지가 가진 큐 안정성을 지키며 시평균 학습 정확도를 최대화하는 최적 클라이언트 수 결정 알고리즘을 제안한다. 또한 서로 다른 자원 상태를 가진 클라이언트 들이 가진 학습 데이터를 더 많이 사용할 수 있도록 클라이언트가 가진 데이터 양과 통신 품질 및 배터리 잔량을 고려하여 연합 학습 엣지로 데이터를 전송할 클라이언트를 선택하는 알고리즘은 제안한다.
Federated learning-enabled edge clients train global models by sharing them while avoiding local data sharing. In federated learning, the sharing of models through communication between several clients and the cloud server results in various problems such as high latency and network congestion. More...
Federated learning-enabled edge clients train global models by sharing them while avoiding local data sharing. In federated learning, the sharing of models through communication between several clients and the cloud server results in various problems such as high latency and network congestion. Moreover, battery consumption problems caused by local training procedures may impact power-hungry clients. To tackle these issues, federated learning edge (FEEL) applies the network edge technologies of mobile edge computing. Here, we consider a FEEL environment in which clients transmit data to associated federated edges; these edges then locally update the global model, which is downloaded from the cloud server via a backhaul. In FEEL systems, obtaining greater quantities of local data from the clients facilitates more accurate global model construction; however, this may be harmful in terms of queue stability in the edge, owing to substantial data arrivals from the clients. Therefore, this paper proposes a novel control algorithm that can vary the number of clients selected for transmission, with the aim of maximizing the time-average federated learning accuracy subject to queue stability. After determining the number of clients, the clients are selected to transmit to the federated edge on the basis of channel conditions, the quantity of data to be sent, and residual battery power.
Keywords: Federated Learning, Optimization, Mobile Edge Computing
Federated learning-enabled edge clients train global models by sharing them while avoiding local data sharing. In federated learning, the sharing of models through communication between several clients and the cloud server results in various problems such as high latency and network congestion. Moreover, battery consumption problems caused by local training procedures may impact power-hungry clients. To tackle these issues, federated learning edge (FEEL) applies the network edge technologies of mobile edge computing. Here, we consider a FEEL environment in which clients transmit data to associated federated edges; these edges then locally update the global model, which is downloaded from the cloud server via a backhaul. In FEEL systems, obtaining greater quantities of local data from the clients facilitates more accurate global model construction; however, this may be harmful in terms of queue stability in the edge, owing to substantial data arrivals from the clients. Therefore, this paper proposes a novel control algorithm that can vary the number of clients selected for transmission, with the aim of maximizing the time-average federated learning accuracy subject to queue stability. After determining the number of clients, the clients are selected to transmit to the federated edge on the basis of channel conditions, the quantity of data to be sent, and residual battery power.
Keywords: Federated Learning, Optimization, Mobile Edge Computing
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.