面向工业物联网的自适应联邦学习与数字孪生
机器学习
2020-11-03 v2 分布式、并行与集群计算
摘要
工业物联网（IoT）使得分布式智能服务随动态实时的工业设备变化，以实现工业4.0的益处。本文考虑一种数字孪生赋能的工业物联网新架构，其中数字孪生捕获工业设备特征以辅助联邦学习。注意到数字孪生可能带来相对于设备状态实际值的估计偏差，在联邦学习中提出一种基于信任的聚合以缓解此类偏差的影响。我们基于Lyapunov动态赤字队列和深度强化学习自适应调整联邦学习的聚合频率，以在资源约束下提升学习性能。为进一步适应工业物联网的异构性，提出一种基于聚类的异步联邦学习框架。数值结果表明，所提框架在学习精度、收敛性和节能方面优于基准。
关键词
引用
@article{arxiv.2010.13058,
title = {Adaptive Federated Learning and Digital Twin for Industrial Internet of Things},
author = {Wen Sun and Shiyu Lei and Lu Wang and Zhiqiang Liu and Yan Zhang},
journal= {arXiv preprint arXiv:2010.13058},
year = {2020}
}