[論文レビュー] Federated Echo State Learning for Minimizing Breaks in Presence in Wireless Virtual Reality Networks

Mingzhe Chen, Omid Semiari+3 more|arXiv (Cornell University)|Dec 4, 2018

Image and Video Quality Assessment参考文献 34被引用数 7

ひとこと要約

本稿では、ミリ波VRネットワークにおけるユーザのプライバシーとスケーラビリティを維持しながら、データ集約を回避し、遅延を低減するため、分散学習を活用してユーザの位置、姿勢、および基地局（BS）への接続を共同で予測することで、無線バーチャルリアリティ（VR）ユーザの存在感の断絶（BIP）を最小化するためのフェデレーテッドエコー状態ネットワーク（FedESN）フレームワークを提案する。この手法は、中央集権的ディープラーニングと比較してBIPを最大26％低減する。

ABSTRACT

In this paper, the problem of enhancing the virtual reality (VR) experience for wireless users is investigated by minimizing the occurrence of breaks in presence (BIP) that can detach the users from their virtual world. To measure the BIP for wireless VR users, a novel model that jointly considers the VR application type, transmission delay, VR video quality, and users' awareness of the virtual environment is proposed. In the developed model, the base stations (BSs) transmit VR videos to the wireless VR users using directional transmission links so as to provide high data rates for the VR users, thus, reducing the number of BIP for each user. Since the body movements of a VR user may result in a blockage of its wireless link, the location and orientation of VR users must also be considered when minimizing BIP. The BIP minimization problem is formulated as an optimization problem which jointly considers the predictions of users' locations, orientations, and their BS association. To predict the orientation and locations of VR users, a distributed learning algorithm based on the machine learning framework of deep (ESNs) is proposed. The proposed algorithm uses concept from federated learning to enable multiple BSs to locally train their deep ESNs using their collected data and cooperatively build a learning model to predict the entire users' locations and orientations. Using these predictions, the user association policy that minimizes BIP is derived. Simulation results demonstrate that the developed algorithm reduces the users' BIP by up to 16% and 26%, respectively, compared to centralized ESN and deep learning algorithms.

研究の動機と目的

• リンクブロッキング、伝送遅延、ユーザ移動性に起因する無線VRにおける存在感の断絶（BIP）の課題に対処すること。
• VRアプリケーションの種別、映像品質、伝送遅延、ユーザの意識を統合してBIPをモデル化し、正確な予測を実現すること。
• ユーザの生データを共有せずに、基地局（BS）が共同でユーザ移動予測モデルを訓練できる分散学習フレームワークを開発すること。
• フェデレーテッドエコー状態ネットワーク（FedESN）からの予測を活用して、ユーザの接続先とビーム管理を最適化することでBIPを最小化すること。
• リアルタイムVRにおける中央集権的学習の限界を克服し、BSで低遅延かつプライバシー保護型の分散推論を可能にすること。

提案手法

• VRアプリケーションの種別、映像品質、伝送遅延、ユーザの意識を統合した新しいBIPモデルを提案し、存在感の中断を定量化する。
• 各基地局でローカルデータを用いてユーザの位置と姿勢を予測するため、ディープエコー状態ネットワーク（ESN）を採用する。
• BSがローカルESNモデルを学習し、生のユーザデータを共有せずにグローバルモデルの更新を統合するフェデレーテッドラーニングフレームワークを導入する。
• フェデレーテッドESNからの予測を活用して、最適なBSに事前にユーザを切り替えることでBIPを最小化するユーザ接続ポリシーを導出する。
• ESNのメモリ容量を解析的に導出し、入力特徴量の数とネットワークパラメータに比例してスケーリングされることを示し、時間的依存性を的確に捉える能力を保証する。
• 再帰的重み更新ルールと共分散に基づく出力重み付けを適用することで、長期的な予測の安定性と正確性を確保する。

実験結果

リサーチクエスチョン

• RQ1 ネットワークレベルの要因とユーザ固有の行動指標を統合的に考慮することで、無線VRにおける存在感の断絶（BIP）をどのようにモデル化できるか？
• RQ2 ミリ波ベースの無線VRネットワークにおけるユーザ移動性とビームブロッキングは、BIPにどのような影響を及えるか？
• RQ3 ユーザデータを中央集権化せずに、基地局で分散型ESNを効果的に学習するためにフェデレーテッドラーニングを活用できるか？
• RQ4 フェデレーテッドESNの性能は、中央集権的ディープラーニングと比較して、VRユーザのBIP低減においてどのように異なるか？
• RQ5 ユーザ位置と姿勢の予測モデルから導出される最適なユーザ接続ポリシーは何か？

主な発見

• 提案されたフェデレーテッドエコー状態ネットワーク（FedESN）は、中央集権的ESNと比較して最大16％、中央集権的ディープラーニングと比較して最大26％のBIP低減を達成した。
• フェデレーテッドラーニングフレームワークにより、ユーザのプライバシーを保護しながら、高精度なユーザ移動予測が可能となり、高遅延のデータ送信を回避できる。
• ESNモデルのメモリ容量は解析的に導出され、入力特徴量の数とネットワークパラメータに比例してスケーリングされることを示し、時間的依存性の強固なモデル化を保証した。
• 予測された位置と姿勢に基づき、事前に最適な基地局にユーザを再割り当てすることで、顕著なBIP低減が達成された。
• 密集した無線VR環境において、トレーニング遅延が低減され、スケーラビリティが向上するため、フェデレーテッドアプローチは中央集権モデルを上回る性能を発揮した。
• BIPモデルは、伝送遅延やデータレートといったネットワークパフォーマンスと、ユーザの意識といったユーザの認識の相乗効果を的確に捉えており、包括的な最適化を可能にした。