分布式5G边缘网络中面向概念漂移的注意力联邦学习
机器学习
2021-11-16 v1 分布式、并行与集群计算
网络与互联网体系结构
摘要
机器学习(ML)预计将在5G边缘计算中扮演主要角色。各类研究已表明，ML高度适合优化边缘计算系统，因为边缘处会发生快速移动性与应用引发的变化。为使ML提供最佳方案，持续训练ML模型以涵盖变化场景十分重要。由变化场景(如5G基站故障)引起的数据分布突变称为概念漂移，是持续学习的主要挑战。漂移发生时ML模型会呈现高错误率，仅当模型学习到分布后错误才下降。该问题在分布式环境中更为显著，其中多个ML模型用于不同异构数据集，最终模型需捕捉所有概念漂移。本文表明，在联邦学习(FL)中使用注意力是处理概念漂移的高效方式。我们利用5G网络流量数据集模拟概念漂移并测试多种场景。结果表明注意力可显著提升FL处理概念漂移的能力。
引用
@article{arxiv.2111.07457,
title = {Attentive Federated Learning for Concept Drift in Distributed 5G Edge Networks},
author = {Amir Hossein Estiri and Muthucumaru Maheswaran},
journal= {arXiv preprint arXiv:2111.07457},
year = {2021}
}
备注
6 pages, 7 figures, IEEE International Conference on Communications (ICCC) 2022