面向 VR 网络的去中心化公平多任务联邦学习
机器学习
2025-12-04 v2 信息论
math.IT
摘要
无线连接承诺解放虚拟现实（VR）体验，使用户能够随时随地参与。然而，由于对用户体验的严苛要求、低延迟限制以及有限的 VR 设备能力，无线传输高质量、实时的 VR 视频仍具有挑战性。本文通过引入一种新的基于去中心化多任务公平联邦学习（DMTFL）的缓存方案，解决了这些挑战。该方案根据为每个基站量身定制的缓存策略，在基站（BS）处缓存和预取每个 VR 用户的视野（FOV）。在其原始形式下，联邦学习（FL）常常偏向某些用户，单个全局模型无法捕捉用户和基站之间的统计异质性。相比之下，提出的 DMTFL 算法通过在每个基站学习各自的缓存模型来实现内容交付的个性化。这些模型进一步针对任何目标分布进行优化，同时通过 Rademacher 复杂度和probably approximately correct（PAC）界限提供理论保证。利用真实的 VR 头动跟踪数据集，我们的仿真结果表明，所提出的 DMTFL 算法优于基线算法。
引用
@article{arxiv.2512.02513,
title = {Decentralized Fairness Aware Multi Task Federated Learning for VR Network},
author = {Krishnendu S. Tharakan and Carlo Fischione},
journal= {arXiv preprint arXiv:2512.02513},
year = {2025}
}
备注
accepted at IEEE Globecom Workshop 2025