面向IIoT数据管理的深度强化学习辅助联邦学习算法
机器学习
2022-02-09 v1
摘要
工业物联网（IIoT）规模的持续扩大导致IIoT设备每时每刻产生海量用户数据。依据终端用户的不同需求，这些数据通常具有高异构性与隐私性，而大多数用户不愿将其暴露于公众视野。如何在IIoT领域以高效且安全的方式管理这些时间序列数据仍是一个开放性问题，因而吸引了学术界与工业界的广泛关注。作为一种新的机器学习（ML）范式，联邦学习（FL）在训练异构且隐私的数据方面具有巨大优势。本文研究FL技术在无线网络环境中管理IIoT设备数据的应用。为提升模型聚合率并降低通信成本，我们将深度强化学习（DRL）应用于IIoT设备选择过程，具体用于筛选具有精确模型的IIoT设备节点。为此，我们提出一种由DRL辅助的FL算法，该算法能兼顾IIoT设备数据训练的隐私性与效率。通过分析IIoT设备的数据特征，我们使用MNIST、fashion MNIST和CIFAR-10数据集来代表IIoT生成的数据。实验中，我们采用深度神经网络（DNN）模型训练数据，实验结果表明准确率可达97%以上，印证了所提算法的有效性。
引用
@article{arxiv.2202.03575,
title = {Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT},
author = {Peiying Zhang and Chao Wang and Chunxiao Jiang and Zhu Han},
journal= {arXiv preprint arXiv:2202.03575},
year = {2022}
}