一种基于强化学习的 D2D 赋能联邦学习中的图发现方法
信号处理
2023-08-09 v1
摘要
通过直连设备到设备（D2D）通信增强联邦学习（FL）可借助快速本地信息交换提升收敛速度并降低模型偏差。然而，数据隐私顾虑、设备信任问题以及不可靠的无线信道均对确定高效且资源节约的 D2D 结构提出挑战。本文提出一种去中心化强化学习（RL）方法用于 D2D 图发现，促进通过可信且可靠的链路通信非敏感但有影响力的数据点。每个设备作为 RL 智能体，训练策略以预测入链的影响。本地（设备级）与全局奖励通过设备簇内及簇间的消息传递相耦合。数值实验证实了我们的方法在多个数据集与 FL 方案下于收敛速度与掉队者弹性方面的优势。
引用
@article{arxiv.2308.03933,
title = {A Reinforcement Learning-Based Approach to Graph Discovery in D2D-Enabled Federated Learning},
author = {Satyavrat Wagle and Anindya Bijoy Das and David J. Love and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2308.03933},
year = {2023}
}