基于量化联邦贝叶斯学习的雾无线接入网内容流行度预测
机器学习
2022-06-27 v1
摘要
本文研究支持缓存的雾无线接入网（F-RANs）中的内容流行度预测问题。为以高精度和低复杂度预测内容流行度，我们提出一种基于高斯过程的回归器来建模内容请求模式。首先，所提模型捕捉了内容特征与流行度之间的关系。随后，我们利用贝叶斯学习训练模型参数，其对过拟合具有鲁棒性。然而，贝叶斯方法通常无法求得后验分布的闭式表达。为解决此问题，我们采用随机方差缩减梯度哈密顿蒙特卡洛（SVRG-HMC）方法近似后验分布。为利用其他雾接入点（F-APs）的计算资源并降低通信开销，我们提出一种结合贝叶斯学习的量化联邦学习（FL）框架。该量化联邦贝叶斯学习框架允许各 F-AP 在量化与编码后将梯度发送至云服务器，能有效在预测精度与通信开销间取得权衡。仿真结果表明，我们所提策略的性能优于现有策略。
引用
@article{arxiv.2206.12258,
title = {Content Popularity Prediction Based on Quantized Federated Bayesian Learning in Fog Radio Access Networks},
author = {Yunwei Tao and Yanxiang Jiang and Fu-Chun Zheng and Pengcheng Zhu and Dusit Niyato and Xiaohu You},
journal= {arXiv preprint arXiv:2206.12258},
year = {2022}
}
备注
26 pages, 10 figures