面向车辆边缘计算的基于分布式深度强化学习的梯度量化联邦学习
机器学习
2025-06-19 v2 网络与互联网体系结构
摘要
联邦学习(FL)通过共享车辆本地模型的梯度而非本地数据，在一定程度上保护了车辆在车辆边缘计算(VEC)中的隐私。车辆本地模型的梯度通常较大，以致于在车辆人工智能(AI)应用中传输这些梯度会导致较大的单轮延迟。梯度量化作为一种有效的方法，通过压缩梯度并降低位数(即量化水平)来传输梯度，从而减少联邦学习(VEC)中的单轮延迟。量化水平和阈值的选择决定了量化误差，进而影响模型精度和训练时间。因此，总训练时间和量化误差(QE)成为联邦学习(VEC)中的两个关键指标。必须在考虑时间变化信道条件的挑战后，联合优化总训练时间和QE。本文提出了一种基于分布式深度强化学习(DRL)的量化水平分配方案，以优化总训练时间和QE相关的长期奖励。大量仿真结果识别了总训练时间和QE之间最佳加权因子，证明了所提方案的可行性和有效性。
引用
@article{arxiv.2407.08462,
title = {Distributed Deep Reinforcement Learning Based Gradient Quantization for Federated Learning Enabled Vehicle Edge Computing},
author = {Cui Zhang and Wenjun Zhang and Qiong Wu and Pingyi Fan and Qiang Fan and Jiangzhou Wang and Khaled B. Letaief},
journal= {arXiv preprint arXiv:2407.08462},
year = {2025}
}
备注
This paper has been accepted by IEEE Internet of Things Journal. The source code has been released at: https://github.com/qiongwu86/Distributed-Deep-Reinforcement-Learning-Based-Gradient Quantization-for-Federated-Learning-Enabled-Vehicle-Edge-Computing