5G 网络中面向增量学习的低成本倾斜感知数据调度
网络与互联网体系结构
2021-09-14 v2 信号处理
摘要
为便利 5G 网络中的新兴应用，移动网络运营商将提供诸多控制与预测类的网络功能。近来，他们认识到机器学习（ML）的威力，并开始探索其促进这些网络功能的潜力。然而，当前用于网络功能的 ML 模型多以离线方式推导，因将海量数据集传输至远端 ML 训练云开销过大而效率低下，且无法为持续模型更新提供增量学习能力。作为替代方案，我们提出 Cocktail，一种参考 5G 网络架构内的增量学习框架。为在提升训练模型精度的同时实现成本效率，高效在线数据调度策略至关重要。为此，我们构建在线数据调度问题，以优化框架成本并缓解由训练节点容量异构性引发的长期数据倾斜问题。我们利用随机梯度下降设计了一种在线渐近最优算法，包含基于新颖图构造的倾斜感知数据收集与数据训练两项最优策略。小规模测试床与大规模仿真验证了所提框架的优越性能。
引用
@article{arxiv.2004.00799,
title = {Cost-efficient and Skew-aware Data Scheduling for Incremental Learning in 5G Network},
author = {Lingjun Pu and Xinjing Yuan and Xiaohang Xu and Xu Chen and Pan Zhou and Jingdong Xu},
journal= {arXiv preprint arXiv:2004.00799},
year = {2021}
}