用于异构和持续联邦学习的自适应主动推理代理
机器学习
2025-03-11 v2 人工智能
分布式、并行与集群计算
摘要
处理异构性和不可预测性是 pervasive 计算中的两个核心问题。挑战在于无缝集成具有不同计算资源的设备，以动态环境中的统一系统满足所有参与者的需求。现有自适应系统的工作通常侧重于优化单个变量或低层服务水平目标（SLO），例如约束特定资源的使用。虽然低层控制机制允许对系统进行细粒度控制，但在动态环境中会引入 considerable 复杂度。为此，我们提出从主动推理（AIF）这种神经科学框架中借来的思路来设计自适应代理。具体而言，我们引入了一个用于异构 pervasive 系统的概念代理，允许将全局系统约束设为高层SLO。系统无需手动设置低层SLO，即可找到能够适应环境变化的平衡点。我们通过大规模实验设计演示了AIF代理的可行性，将异构和持续联邦学习作为应用场景。在不同资源类型和供应商规格的物理测试平台上进行实验。结果表明，AIF代理能够适应环境变化。特别是，AIF代理能够在资源异构环境中平衡竞争性SLO，实现最高98%的满足率。
引用
@article{arxiv.2410.09099,
title = {Adaptive Active Inference Agents for Heterogeneous and Lifelong Federated Learning},
author = {Anastasiya Danilenka and Alireza Furutanpey and Victor Casamayor Pujol and Boris Sedlak and Anna Lackinger and Maria Ganzha and Marcin Paprzycki and Schahram Dustdar},
journal= {arXiv preprint arXiv:2410.09099},
year = {2025}
}
备注
12 pages, double column, 17 figures, 2 tables