에너지 수집형 AIoT의 효율적인 연합학습을 위한 에너지 적응형 근사컴퓨팅 기법
Energy-Adaptive Approximate Computing Scheme for Efficient Federated Learning in Energy-Harvesting AIoT Systems
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 에너지 수집 기술의 발전과 온디바이스 학습이 가능한 AIoT 장치의 확산으로 에너지 수집형 AIoT 시스템이 주목받고 있다. 본 연구는 에너지 제약이 있는 엣지 AIoT 환경에서 안정성을유지하면서도 연합학습 성능을 효율적으로 향상시키기 위한 에너지 적응형 근사컴퓨팅 기법을 제안한다. 일반적으로 에너지 소모량과 학습 성능 간에는 비례 관계가 있어, 제한된 에너지 환경에서는 일부 성능 저하를 허용할 필요가 있다. 제안하는 방법은 태양 에너지 수집 모델을 바탕으로, 각 라운드의 제한된 에너지 예산 내에서 로컬 학습 데이터양과 파라미터 교환량을 최적화하는 근사컴퓨팅을 수행한다. 이를 통해 노드의 정전시간을 최소화하고, 결과적으로 전체 연합학습의 정확도를 개선할 수 있음을 확인하였다.
Abstract
With recent advancements in energy harvesting technologies and the proliferation of AIoT devices capable of on-device learning, energy-harvesting AIoT systems have attracted significant attention. This study proposes an energy-adaptive approximate computing method designed to efficiently enhance federated learning performance while ensuring the stable operation of energy-constrained edge AIoT devices. Typically, there is a proportional relationship between learning performance and energy consumption; thus, performance trade-offs are inevitable under stringent energy conditions. Based on a solar energy harvesting model, the proposed scheme optimizes local training data sizes and parameter exchange volumes for each training round within limited energy budgets, performing approximate computing. This approach effectively minimizes device blackout durations, thereby improving the overall accuracy of federated learning.