移动群智机器学习的高效训练管理：一种深度强化学习方法
网络与互联网体系结构
2018-12-11 v1
摘要
在本信中，我们考虑用于联邦学习模型的移动群智机器学习 (MCML) 概念。MCML 使移动网络中的移动设备能够在将数据保留于设备上的同时，协作训练服务器所需的神经网络模型。因此，MCML 解决了传统机器学习的数据隐私问题。然而，移动设备受限于能量、CPU 和无线带宽。因此，为最小化能量消耗、训练时间和通信开销，服务器需要确定移动设备用于训练的适当数据量和能量。但在移动环境的动态性和不确定性下，服务器难以确定移动设备资源管理的最优决策。在本信中，我们提出采用深度 Q 学习算法，使服务器能够在无需任何网络动态先验知识的情况下学习并找到最优决策。仿真结果表明，所提算法在能量消耗和训练时延方面优于静态算法。
引用
@article{arxiv.1812.03633,
title = {Efficient Training Management for Mobile Crowd-Machine Learning: A Deep Reinforcement Learning Approach},
author = {Tran The Anh and Nguyen Cong Luong and Dusit Niyato and Dong In Kim and Li-Chun Wang},
journal= {arXiv preprint arXiv:1812.03633},
year = {2018}
}