雾无线接入网中的内容流行度预测：一种基于聚类联邦学习的方法
机器学习
2022-06-14 v1 人工智能
网络与互联网体系结构
摘要
本文研究了雾无线接入网（F-RANs）中的内容流行度预测问题。基于聚类联邦学习，我们提出了一种新颖的感知移动性的流行度预测策略，该策略综合了本地用户与移动用户的内容流行度。对于本地用户，通过学习本地用户与内容的隐表示来预测内容流行度。本地用户与内容的初始特征通过结合邻居信息与自身信息生成。随后，引入双通道神经网络（DCNN）模型，从初始特征中产生深度潜在特征以学习隐表示。对于移动用户，通过用户偏好学习预测内容流行度。为区分内容流行度的区域差异，采用聚类联邦学习（CFL），使具有相似区域类型的雾接入点（F-APs）相互受益，并为每个 F-AP 提供更专用的 DCNN 模型。仿真结果表明，我们提出的策略相比传统策略取得了显著的性能提升。
引用
@article{arxiv.2206.05894,
title = {Content Popularity Prediction in Fog-RANs: A Clustered Federated Learning Based Approach},
author = {Zhiheng Wang and Yanxiang Jiang and Fu-Chun Zheng and Mehdi Bennis and Xiaohu You},
journal= {arXiv preprint arXiv:2206.05894},
year = {2022}
}
备注
6 pages, 3 figures. This paper has been accepted by IEEE ICC 2022