以高效数据标注赋能异构无线网络：一种聚类联邦半监督学习方法
网络与互联网体系结构
2024-01-22 v1 机器学习
摘要
聚类联邦多任务学习（Clustered Federated Multitask Learning, CFL）作为一种克服统计挑战的有效策略，特别是在处理跨多个用户的非独立同分布（non independent and identically distributed, non IID）数据时，受到了广泛关注。然而，现有的许多 CFL 研究都建立在不切实际的前提之上，即设备能够获取准确的真值标签。这一假设在分层无线网络（Hierarchical Wireless Networks, HWNs）中尤为成问题，因为边缘网络包含大量未标注数据，导致收敛速度变慢和处理时间增加，特别是在处理两层模型聚合时。为了解决这些问题，我们引入了一种新颖的框架——聚类联邦半监督学习（Clustered Federated Semi-Supervised Learning, CFSL），专为更真实的 HWN 场景而设计。我们的方法利用了性能最佳的专业化模型算法，其中为每个设备分配一个专业化模型，该模型非常擅长为未标注数据生成准确的伪标签，即使数据来自不同的环境。我们通过大量实验验证了 CFSL 的有效性，并将其与近期文献中强调的现有方法进行了比较。数值结果表明，在不同比例的已标注和未标注数据下，CFSL 在测试准确率、标注准确率和标注延迟等关键指标上均有显著改善，同时还能适应数据的 non-IID 特性以及无线边缘网络的独特性质。
引用
@article{arxiv.2401.10646,
title = {Empowering HWNs with Efficient Data Labeling: A Clustered Federated Semi-Supervised Learning Approach},
author = {Moqbel Hamood and Abdullatif Albaseer and Mohamed Abdallah and Ala Al-Fuqaha},
journal= {arXiv preprint arXiv:2401.10646},
year = {2024}
}
备注
Accepted for IEEE Wireless Communications and Networking Conference (WCNC) 2024