Keskeiset käsitteet
動的な設定におけるエネルギー効率的なゴシップ学習スキームを実現するためのコンテキスト対応型のオーケストレーション手法を提案する。
Tiivistelmä
本研究では、動的な設定におけるエネルギー効率的なゴシップ学習スキームを実現するためのコンテキスト対応型のオーケストレーション手法を提案している。
主な内容は以下の通り:
- ゴシップ学習(GL)スキームは分散学習の有力な手法だが、通信やコンピューティングリソースの大量消費によりエネルギー効率が低下する問題がある。
- 提案するOptimized Gossip Learning (OGL)は、GLにアダプティブな最適化を組み合わせることで、目標精度を達成しつつエネルギー消費を最小化する。
- ノードの接触パターン、モデルの品質、利用可能リソースなどに基づいて、ノードごとに学習エポック数やモデル交換相手を動的に最適化する。
- この最適化はDNNモデルによって行われ、オーケストレーター機能によって学習・配布される。
- 時変ランダムグラフや実測に基づく都市シナリオでの評価により、提案手法が様々な状況下で高い効率と有効性を示すことを確認した。
Tilastot
ノード v の時刻 t における学習エポック数 Zv,t は、ノードの消費エネルギーに影響する。
ノード v の検証セットサイズ sv は、モデル評価に必要なエネルギーに影響する。
ノード v の時刻 t における近傍ノード数 hv,t と選択した近傍ノード数 kv,t は、通信コストに影響する。