移动边缘计算物联网环境下基于分布式机器学习的预测分析
分布式、并行与集群计算
2020-07-30 v2
摘要
在基于移动边缘计算（MEC）的物联网（IoT）中，预测分析在许多现实应用中需求日益增长。基于 MEC 的 IoT 环境中的预测问题通常对应于一组任务，每个任务基于本地积累的数据在特定的 MEC 环境中求解，这可视为多任务学习（MTL）问题。然而，不同 MEC 环境积累的数据的异构性（非独立同分布性）对通用 MTL 技术在此类场景中的应用提出了挑战。联邦多任务学习（FMTL）近来作为解决该问题的一种尝试而出现。除 FMTL 外，还存在另一种强大但未被充分利用的分布式机器学习技术，称为网络套索（Network Lasso, NL），它本质上与 FMTL 相关但具有自身独特特征。本文中，我们在代表现实应用场景的三个不同 IoT 数据集上对这两种技术进行了深入评估与比较。实验结果表明，在基于 MEC 的 IoT 环境中，NL 在准确率和计算效率两方面均优于 FMTL。
引用
@article{arxiv.2006.04122,
title = {Distributed Machine Learning for Predictive Analytics in Mobile Edge Computing Based IoT Environments},
author = {Prabath Abeysekara and Hai Dong and A. K. Qin},
journal= {arXiv preprint arXiv:2006.04122},
year = {2020}
}
备注
Accepted to be published at the International Joint Conference on Neural Networks(IJCNN) 2020