Fed-EC: Bandwidth-Efficient Clustering-Based Federated Learning For Autonomous Visual Robot Navigation

要約

集中学習ではデータを中央サーバーに集約する必要があるため、データのプライバシーと帯域幅の消費の点で大きな課題が生じます。
フェデレーテッド ラーニングは魅力的な代替手段を提供しますが、ロボット工学に導入されたバニラのフェデレーテッド ラーニング手法は、すべてのロボットに理想的に機能する単一のグローバル モデルをロボット全体で学習することを目的としています。
しかし実際には、1 つのモデルがさまざまな環境に導入されたロボットにあまり適していない可能性があります。
この論文では、さまざまな屋外環境でビジョンベースの自律ロボットナビゲーションを使用して展開される、クラスタリングベースの連合学習フレームワークである Federated-EmbedCluster (Fed-EC) を提案します。
このフレームワークは、実世界のロボット全体にわたる非 IID データの存在による単一グローバル モデルのモデル パフォーマンスの低下という、フェデレーテッド ラーニングの重要な課題に対処します。
広範な現実世界の実験により、Fed-EC が各ロボットの通信サイズを 23 分の 1 に削減しながら、目標指向のナビゲーションのための集中学習のパフォーマンスに匹敵し、ローカル学習を上回るパフォーマンスを発揮することが検証されています。
Fed-EC は、以前に学習したモデルを、クラスターに参加する新しいロボットに転送できます。

要約(オリジナル)

Centralized learning requires data to be aggregated at a central server, which poses significant challenges in terms of data privacy and bandwidth consumption. Federated learning presents a compelling alternative, however, vanilla federated learning methods deployed in robotics aim to learn a single global model across robots that works ideally for all. But in practice one model may not be well suited for robots deployed in various environments. This paper proposes Federated-EmbedCluster (Fed-EC), a clustering-based federated learning framework that is deployed with vision based autonomous robot navigation in diverse outdoor environments. The framework addresses the key federated learning challenge of deteriorating model performance of a single global model due to the presence of non-IID data across real-world robots. Extensive real-world experiments validate that Fed-EC reduces the communication size by 23x for each robot while matching the performance of centralized learning for goal-oriented navigation and outperforms local learning. Fed-EC can transfer previously learnt models to new robots that join the cluster.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google