基于样本驱动控制的联邦持续学习节能实时感知
机器学习
2025-07-23 v2 人工智能
摘要
智能实时感知（RTS）系统必须持续获取、更新、整合并应用知识，以适应现实世界动态。在此背景下管理分布式智能需要联邦持续学习（FCL）。然而，在FCL系统中有效捕捉RTS数据的多样特征存在重大挑战，包括严重影响计算与通信资源、推高能源成本，并最终降低系统整体性能。为克服这些挑战，我们利用“泛化差距”概念研究从理想到实际RTS场景的数据分布偏移如何影响人工智能（AI）模型性能。借此，我们分析RTS中采样时间如何与AI性能下降、计算成本及通信效率相关联。基于该观察，我们开发了一种新颖的面向具备RTS能力的移动边缘网络的样本驱动联邦持续学习控制（SCFL）技术。具体而言，SCFL是一个优化问题，利用采样过程在维持FCL框架能效的同时，并发最小化泛化差距并提升整体精度。为求解这一高度复杂且时变的优化问题，我们引入一种带显式与隐式约束的新软 actor-critic 算法（A2C-EI）。实证实验表明，相较于其他深度强化学习（DRL）基线，我们可实现更高效率。值得注意的是，SCFL在保持联邦学习收敛与及时数据传输的同时，可显著降低能耗达。
引用
@article{arxiv.2310.07497,
title = {Energy-Efficient and Real-Time Sensing for Federated Continual Learning via Sample-Driven Control},
author = {Minh Ngoc Luu and Minh-Duong Nguyen and Ebrahim Bedeer and Van Duc Nguyen and Dinh Thai Hoang and Diep N. Nguyen and Quoc-Viet Pham},
journal= {arXiv preprint arXiv:2310.07497},
year = {2025}
}
备注
20 pages, 7 figures