FedCPF: эффективный с точки зрения коммуникационных затрат подход к федеративному обучению для периферийных вычислений в транспортных сетях связи 6G
FedCPF: An Efficient-Communication Federated Learning Approach for Vehicular Edge Computing in 6G Communication Networks
2021-08-03
SCID: 54.1/7bykrmpp
Discuss with AI
Сети связи 6GФедеративное обучениеГибкая агрегацияЧастичное участие клиентовПериферийные вычисления в транспортных сетях
Figures from the paper
Abstract (AI)
Ожидается, что сеть шестого поколения (6G) обеспечит полностью взаимосвязанный мир за счет широкого использования больших объемов конфиденциальных данных. Федеративное обучение (FL) представляет собой новую парадигму распределенных вычислений. В периферийных вычислениях для транспортных сетей (VEC) FL используется для защиты конфиденциальности пользовательских данных. Однако применение FL в VEC приводит к значительным коммуникационным накладным расходам и, следовательно, потребляет ресурсы, необходимые для обычного обмена данными. В традиционном FL большое число раундов коммуникации, требуемых для сходимости, обусловливает высокие коммуникационные затраты. Кроме того, в каждом раунде коммуникации множество клиентов передают большие объемы параметров модели серверу параметров на этапе восходящей передачи, что дополнительно увеличивает коммуникационные накладные расходы. Более того, небольшое число отстающих каналов и клиентов может увеличивать продолжительность обучения в каждом раунде, снижая эффективность FL и потенциально повышая коммуникационные затраты. В данной работе предлагается эффективный с точки зрения коммуникационных затрат подход FedCPF, состоящий из трех компонентов: «Customized» («индивидуализированный»), «Partial» («частичный») и «Flexible» («гибкий»). FedCPF предоставляет транспортным клиентам индивидуализированную стратегию локального обучения, ускоряющую сходимость благодаря ограничивающему слагаемому и сокращающую число раундов коммуникации. Кроме того, для устранения перегрузки восходящего канала вводится правило частичного участия клиентов, препятствующее одновременной передаче обновлений большим числом транспортных средств. Также с учетом различий во времени завершения федеративного обучения предлагается гибкая политика агрегации корректных обновлений за счет ограничения времени их передачи. Результаты экспериментов показывают, что FedCPF превосходит традиционный алгоритм FedAvg по точности тестирования и эффективности коммуникации в различных конфигурациях FL. По сравнению с базовым методом FedCPF обеспечивает более эффективную коммуникацию и более быструю сходимость, повышая среднюю точность тестирования на 6,31%. Кроме того, средний показатель оптимизации коммуникации увеличивается в 2,15 раза.
Key Findings
1
Стратегия индивидуализированного локального обучения с ограничивающим членом ускоряет сходимость и сокращает число раундов обмена для транспортных клиентов.
2
По сравнению с FedAvg, FedCPF в среднем повышает точность тестирования на 6,31% и обеспечивает 2,15-кратное улучшение оптимизации коммуникаций, одновременно ускоряя сходимость в различных настройках.
3
FedCPF объединяет индивидуализированное локальное обучение, частичное участие клиентов и гибкую агрегацию для снижения коммуникационных затрат в федеративном обучении на периферии транспортных сетей.
4
Гибкая агрегация принимает действительные обновления в заданные временные интервалы, снижая влияние медленных каналов и клиентов.
5
Частичное участие клиентов уменьшает перегрузку восходящего канала, предотвращая одновременную отправку обновлений множеством транспортных средств.
Research Object
Федеративное обучение в среде периферийных вычислений для транспортных средств в сетях связи 6G
Research Subject
Снижение коммуникационных накладных расходов и повышение эффективности обучения за счёт ускорения сходимости, частичного участия клиентов и гибкой агрегации
Publication Details
Publication Date
2021-08-03
Journal
Publisher
ISSN
Cited by
235
Access Type
Author Information
Download PDF
Subscribe to digest