12829

بهينه سازي منابع مخابراتي در يادگيري فدرال

1401

دكتر شاهرخ فرهمند

يادگيري فدرال (FL) يك رويكرد يادگيري ماشين است كه بر اساس اجماع بين چندين دستگاه هوشمند عمل مي‌كند. ايده اصلي FL حفظ امنيت كاربران با ارسال مدل‌هاي آموزش ديده بر روي مجموعه داده كاربران به جاي ارسال خود داده‌ها است. مقالات موجود بر اساس شبكه‌هاي سيار نسل پنجم (5G) به سه دسته تقسيم مي‌شوند: 1) پهن باند سيار ارتقاء يافته (eMBB) كه به بهينه‌سازي تأخير يا زمان هم‌گرايي مي‌پردازد. 2) ارتباطات عظيم از نوع ماشين (mMTC) كه به بهينه‌سازي بازدهي انرژي مي‌پردازد. 3) ارتباطات بسيار قابل اتكاء و كم تأخير (URLLC) كه به بهينه‌سازي جمع وزن‌دار تأخير و بازدهي انرژي مي‌پردازد. مسئله استفاده بهينه از انرژي و تخصيص بهينه منابع محاسباتي براي يادگيري فدرال از طريق لينك‌هاي ارتباطي بي‌سيم بررسي شده است. در مدل در نظر گرفته شده، هر كاربر از منابع محاسباتي محلي محدود براي آموزش يك مدل محلي با داده‌هاي جمع‌آوري شده خود استفاده مي‌كند و سپس، مدل آموزش ديده را به ايستگاه پايه BS)) مي‌فرستد كه مدل محلي را تجميع مي‌كند و آن را براي همه كاربران پخش مي‌كند. به‌دليل محدوديت انرژي كاربران بي‌سيم، هم انرژي محاسباتي محلي و هم انرژي انتقال بايد در طول فرآيند FL در نظر گرفته شوند. اين مسئله يادگيري و ارتباط مشترك به عنوان يك مسئله بهينه‌سازي فرمول بندي شده است كه هدف آن به حداقل رساندن مصرف انرژي كل سيستم تحت يك محدوديت تأخير است.

11/22/2023 12:00:00 AM

81194

1402/09/17

Optimization of Communications Resources in Federated Learning

تخصيص منابع , كمينه كردن انرژي , MEC , انتخاب كاربران , FL

Resource allocation , Energy minimization , MEC , UE selection , FL