지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2023.3
- 수록면
- 295 - 305 (11page)
- DOI
- 10.7840/kics.2023.48.3.295
이용수
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 지능형 통신 네트워크에 대한 논의가 본격화되면서 분산 인공지능 기술에 관한 연구가 주목받고 있다. 특히, 데이터를 직접 공유하지 않고, 분산된 기기들이 인공지능 모델을 원격으로 훈련하는 연합학습 알고리즘이 크게 각광받고 있다. 연합학습을 수행하기 위해서는 서버-클라이언트 간 모델 교환이 필수적인데, 고차원 인공지능 모델 파라미터를 직접 공유하는 것은 통신 시스템 관점에서 매우 큰 비용을 발생시킨다. 본 논문에서는 통신 효율적 연합학습 시스템을 구축하기 위한 모델 압축 기법을 개발한다. 오토인코더 체계를 활용하여 모델 파라미터의 비선형적인 압축-복원 과정을 실시한다. 제안하는 오토인코더 기법은 연합학습의 가중평균 연산을 추론 단계에 이식하여 서버에서 효과적으로 모델 파라미터를 취합하도록 한다. 이를 통해 기존 모델 압축 기법들에서 달성하지 못했던 수렴속도 및 확장성 개선을 이룩할 수 있다. 모의실험을 통해 제안하는 기법의 효율성을 검증하였다.
목차
요약
ABSTRACT
Ⅰ. 서론
Ⅱ. 시스템 모델
Ⅲ. 제안하는 오토인코더 기반 연합학습 시스템
Ⅳ. 모의실험 결과
Ⅴ. 결론
References
참고문헌 (16)
참고문헌 신청
H. B. McMahan, E. Moor, D. Ramage, S. Hampson, and B. A. Arcas, “Communicationefficient learning of deep networks from decentralized data,” in Proc. Int. Conf. Artif. Intell. Stat. (AISTAT), 2017.
S.-H. Park and H. Lee, “Completion time minimization of fog-RAN-assisted federated learning with rate-splitting transmission,” IEEE Trans. Veh. Technol., vol. 71, no. 9, pp. 10209-10214, Sep. 2022. (https://doi.org/10.1109/TVT.2022.3180747)
T. Li, A. K. Sahu, A. Talwalkar, and V. Smith, “Federated learning: Challenges, methods, and future directions,” IEEE Signal Process. Mag., vol. 37, no. 3, pp. 50-60, May 2020. (https://doi.org/10.1109/MSP.2020.2975749)
Q. Yang, Y. Liu, T. Chen, and Y. Tong, “Federated machine learning: Concept and applications,” ACM Trans. Intell. Syst. Technol., vol. 10, no. 12, pp. 1-19, Jan. 2019. (https://doi.org/10.1145/3298981)
J. Konečný, H. B. McMahan, F. Yu, P. Richtárik, A. T. Suresh, and D. Bacon “Federated learning: Strategies for improving communication efficiency,” NIPS Wkshp. Private Multi-Party Mach. Learn., Barcelona, Spain, 2016.
S.-H. Park and H. Lee, “Completion time minimization of fog-RAN-assisted federated learning with rate-splitting transmission,” IEEE Trans. Veh. Technol., vol. 71, no. 9, pp. 10209-10214, Sep. 2022. (https://doi.org/10.1109/TVT.2022.3180747)
T. Li, A. K. Sahu, A. Talwalkar, and V. Smith, “Federated learning: Challenges, methods, and future directions,” IEEE Signal Process. Mag., vol. 37, no. 3, pp. 50-60, May 2020. (https://doi.org/10.1109/MSP.2020.2975749)
Q. Yang, Y. Liu, T. Chen, and Y. Tong, “Federated machine learning: Concept and applications,” ACM Trans. Intell. Syst. Technol., vol. 10, no. 12, pp. 1-19, Jan. 2019. (https://doi.org/10.1145/3298981)
J. Konečný, H. B. McMahan, F. Yu, P. Richtárik, A. T. Suresh, and D. Bacon “Federated learning: Strategies for improving communication efficiency,” NIPS Wkshp. Private Multi-Party Mach. Learn., Barcelona, Spain, 2016.
이 논문의 저자 정보
이 논문과 함께 이용한 논문
통신네트워크를 위한 연합학습: 응용 및 도전과제
설기현
,
소성현
,
박희재
외 1명
한국통신학회 학술대회논문집
2023
.06
클라이언트의 계산 성능 이질성을 고려한 연합학습 방법의 무선 통신 환경에서의 적용
이종명
,
강준혁
,
안진현
한국통신학회 학술대회논문집
2023
.06
통신 비용이 절약된 연합학습 시스템 설계 및 구현
이종혁
,
최진혁
,
서효운
한국통신학회 학술대회논문집
2023
.06
연합학습(Federated Learning) 네트워크에서의 형평성 보장 기법에 관한 연구
김영찬
,
김훈
한국통신학회논문지
2023
.06
통신 및 네트워크 상황을 고려한 연합학습 참여 기기 선택 기법 연구
이민정
,
성민지
,
이웅희
한국통신학회 학술대회논문집
2022
.11
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2023-567-001345264