7334

يادگيري متحد توزيع شده در لبه شبكه بيسيم

1398-99

دكتر بهمن ابوالحسني

دكتر شاهرخ فرهمند

اكثر الگوريتمهاي يادگيري ماشين كه امروزه شناخته شده‌اند به صورت متمركز عمل مي كنند. اين بدين معني است كه تمام داده‌هاي مورد نياز براي يادگيري از گره‌هاي شبكه جمع آوري شده و به يك مركز پردازش قوي در هسته شبكه فرستاده مي شوند و تمام پردازشهاي فرآيند يادگيري در هسته شبكه انجام مي شود. اين امر چندين عيب بزرگ دارد كه ابتدا به اين محدوديت ها پرداخته مي شود. سپس يادگيري ماشين توزيع شده را معرفي مي كنيم كه در جهت حل اين محدوديتها به وجود آمده است. اين روش هاي نوين يادگيري مبتني بر عدم تمركز داده ها در يك مركز داده يا پايگاه مركزي است. بنابراين يادگيري به صورت توزيع شده در بين گره ها يا دستگاه هاي لبه در شبكه هاي بيسيم با استفاده از مجموعه داده محلي با بروز رساني هاي محلي انجام مي شود و يك بروز رساني جهاني بر اساس بروز رساني هاي محلي انجام مي شود تا كارايي كل سيستم را كنترل كند. پس از معرفي يادگيري متحد يا فدرال كه يكي از موثرترين تكنيك هاي يادگيري توزيع شده است، نوع يك-پرتابه آن را نيز كه براي سيستم هاي بيسيم با توانايي مخابراتي محدود مطرح مي كنيم. هر دو الگوريتم كانال مخابراتي بين گره‌هاي لبه شبكه بيسيم و ايستگاه پايه را ايده‌آل فرض مي كنند. در نتيجه پس از معرفي آنها به بررسي مقالاتي مي پردازيم كه در طراحي الگوريتم، كانال مخابراتي را با محدوديت هاي آن منظور مي كنند. كانال مخابراتي بين پردازش گر مركزي (همان ايستگاه پايه) و گره هاي لبه در انواع مدل ها بررسي شده‌اند. از جمله آنها كانال دسترسي چندگانه بيسيم و مدل محو شدگي آن با حالت يك ورودي-يك خروجي و يك ورودي-چندخروجي را بررسي مي كنيم و نهايتا از بهينه‌سازي براي بهينه كردن پارامترهاي به روز رساني‌هاي محلي و تجميع جهاني بعد از آن استفاده مي كنيم.

5/30/2020 12:00:00 AM

68053

1399/04/09

يادگيري ماشين و شبكه بيسيم

Machine Learning and Wireless Networjks