Multi-channel aloha optimization for federated learning with multiple models

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Silva, Rafael Valente da
Orientador(a): Souza, Richard Demo
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/240966
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2022.
id UFSC_7212ffa628d9e1354c0c7123683f7dcb
oai_identifier_str oai:repositorio.ufsc.br:123456789/240966
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaSilva, Rafael Valente daSouza, Richard DemoBrante, Glauber Gomes de Oliveira2022-10-21T16:59:49Z2022-10-21T16:59:49Z2022378627https://repositorio.ufsc.br/handle/123456789/240966Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2022.Redes de sensores sem fio de larga escala são fundamentais para diversas aplicações de Internet das Coisas (IoT) que envolvam análise de dados e aprendizado de máquina. O enorme volume de dados gerado por tais redes impõe uma mudança de paradigma de aprendizado de máquina centralizado para descentralizado. Federated Learning (FL) é uma forma conhecida de aprendizado de máquina descentralizado, cuja eficiência depende da comunicação sem fio. Protocolos de Random Access (RA), como ALOHA, apesar de sua simplicidade, podem melhorar o tempo de convergência de sistemas de FL quando múltiplos canais ortogonais são utilizados. Este trabalho considera que os dispositivos estão envolvidos na otimização de mais de um modelo em um sistema de FL, e então propõe um método ótimo para alocar recursos de comunicação em uma configuração com o uso de ALOHA e múltiplos canais. O método proposto tem melhor desempenho, em termos de tempo de convergência, que alocações de canais uniforme ou compartilhada.Abstract: Large-scale wireless sensor networks are instrumental for several Internet of Things (IoT) applications involving data analytics and machine learning. The huge data volume generated by such networks imposes a change of paradigm from centralized machine learning to decentralized. Federated Learning (FL) is a well-known type of decentralized machine learning, whose efficiency heavily depends on the use of wireless communication resources. Random Access (RA) protocols, such as ALOHA, despite their simplicity, can improve the convergence time of FL systems if multiple orthogonal channels are used. This work considers that devices are involved in the optimization of more than one model in a FL system, and then proposes an optimum method to allocate wireless resources in a multi-channel ALOHA setup. The proposed method outperforms uniform and fully-shared channel allocations in terms of convergence time.45 p.| il., gráfs.engEngenharia elétricaRedes de sensores sem fioInternet das coisasAprendizado do computadorMulti-channel aloha optimization for federated learning with multiple modelsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEEL2084-D.pdfPEEL2084-D.pdfapplication/pdf4930442https://repositorio.ufsc.br/bitstream/123456789/240966/-1/PEEL2084-D.pdf8963844db5dc2554dd9da18b8ea9655dMD5-1123456789/2409662022-10-21 13:59:49.212oai:repositorio.ufsc.br:123456789/240966Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732022-10-21T16:59:49Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Multi-channel aloha optimization for federated learning with multiple models
title Multi-channel aloha optimization for federated learning with multiple models
spellingShingle Multi-channel aloha optimization for federated learning with multiple models
Silva, Rafael Valente da
Engenharia elétrica
Redes de sensores sem fio
Internet das coisas
Aprendizado do computador
title_short Multi-channel aloha optimization for federated learning with multiple models
title_full Multi-channel aloha optimization for federated learning with multiple models
title_fullStr Multi-channel aloha optimization for federated learning with multiple models
title_full_unstemmed Multi-channel aloha optimization for federated learning with multiple models
title_sort Multi-channel aloha optimization for federated learning with multiple models
author Silva, Rafael Valente da
author_facet Silva, Rafael Valente da
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Silva, Rafael Valente da
dc.contributor.advisor1.fl_str_mv Souza, Richard Demo
dc.contributor.advisor-co1.fl_str_mv Brante, Glauber Gomes de Oliveira
contributor_str_mv Souza, Richard Demo
Brante, Glauber Gomes de Oliveira
dc.subject.classification.none.fl_str_mv Engenharia elétrica
Redes de sensores sem fio
Internet das coisas
Aprendizado do computador
topic Engenharia elétrica
Redes de sensores sem fio
Internet das coisas
Aprendizado do computador
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2022.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-10-21T16:59:49Z
dc.date.available.fl_str_mv 2022-10-21T16:59:49Z
dc.date.issued.fl_str_mv 2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/240966
dc.identifier.other.none.fl_str_mv 378627
identifier_str_mv 378627
url https://repositorio.ufsc.br/handle/123456789/240966
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 45 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/240966/-1/PEEL2084-D.pdf
bitstream.checksum.fl_str_mv 8963844db5dc2554dd9da18b8ea9655d
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851758929596383232

Registros relacionados