Annual Conference of KIPS (한국정보처리학회:학술대회논문집)

  • 2024.10a
  • /
  • Pages.133-135
  • /
  • 2024
  • /
  • 2005-0011(pISSN)
  • /
  • 2671-7298(eISSN)
Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

System-level Energy-aware Operations for the Efficient FL of the Solar-powered Edge AIoT

태양에너지 수집형 엣지 AIoT의 효율적인 연합학습을 위한 시스템수준 에너지 적응적 동작 기법

  • Changhan Lee (Dept. of Intelligent System, Soongsil University) ;
  • Jaehoon Yang (School of AI Convergence, Soongsil University) ;
  • Minwook Lee (School of AI Convergence, Soongsil University) ;
  • Seokmun Heo (School of AI Convergence, Soongsil University) ;
  • Junsoo Park (School of AI Convergence, Soongsil University) ;
  • Dong Kun Noh (School of AI Convergence, Soongsil University)
  • 이창한 (숭실대학교 지능시스템학과) ;
  • 양재훈 (숭실대학교 AI융합학부) ;
  • 이민욱 (숭실대학교 AI융합학부) ;
  • 허석문 (숭실대학교 AI융합학부) ;
  • 박준수 (숭실대학교 AI융합학부) ;
  • 노동건 (숭실대학교 AI융합학부)
  • Published : 2024.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

지속가능한 AIoT의 필요성과 에너지 수집 기술의 발달, 그리고 온디바이스 학습이 가능한 IoT 기기들의 등장으로 인해, 최근 에너지 수집형 AIoT(AI-enabled IoT) 기술이 주목받고 있다.[1] 본 연구에서는 에너지 수집형 엣지 AIoT를 대상으로 기기의 안정적인 동작을 보장하며 동시에 연합학습 성능 수준을 높일 수 있는 시스템 수준의 에너지 적응형 동작을 제안한다. 기본적으로 각 기기에서는 학습성능과 에너지 소비량이 비례관계에 있으므로, 기기의 안정적 동작 확보를 위해 학습 성능의 감소가 필요할 때도 있다. 제안 기법에서는 에너지와 학습 성능 사이의 이러한 상충관계를 최소화하기 위해, 태양에너지 수집 모델을 기반으로 주어진 에너지 예산 내에서 각 기기의 학습 데이터양과 연합학습을 위한 파라미터 교환양을 최적화한다. 이러한 각 기기들의 정전시간 최소화(안정성증가)는 결과적으로 전체 AIoT의 연합학습 정확도 향상으로 이어질 수 있는데, 실험 결과 기존 기법에 비해 정전시간의 감소와 연합학습의 정확도가 각각 최대 53%, 35% 향상됨을 확인할 수 있었다.

Keywords

Acknowledgement

본 연구는 과학기술정보통신부 및 정보통신기획평가원의 SW중심대학사업의 지원을 받아 수행되었음(2024-0-00071)

References

  1. A. Matin et al., "AIoT for sustainable manufacturing: Overview, challenges, and opportunities,"in Elsevier IoT, p. 100901, 2023.
  2. Y. C. Lee et al., "High-Performance Multiband Ambient RF Energy Harvesting Front-End System for Sustainable IoT Applications-A Review," in IEEE Access, 2023.
  3. A. Bourechak et al., "At the Confluence of Artificial Intelligence and Edge Computing in IoT-Based Applications: A Review and New Perspectives," in MDPI Sensors, vol. 23, no 3, p. 1639, 2023.
  4. E. T. M. Beltran et al., "Decentralized federated learning: Fundamentals, state of the art, frameworks, trends, and challenges," in IEEE Communications Surveys & Tutorials, 2023.
  5. Z. Wen et al., "Approxiot: Approximate analytics for edge computing,", in IEEE ICDCS, pp. 411-421, Jul. 2018.
  6. M. Kang et al., "Energy-aware Transmission Power Control for Solar Energy Harvesting Wireless sensor system and Its Effects on Network-wide Performance", KIICE,vol. 17, no. 2, pp.750-753, Oct. 2013.