探索深度强化学习辅助的联邦学习用于隐私保护边缘物联网中的在线资源分配
机器学习
2022-05-19 v2
摘要
联邦学习（FL）在基于移动边缘计算的物联网（EdgeIoT）中越来越被用于保护数据训练免受窃听攻击的隐私。一方面，通过选择具有大数据集的物联网设备进行训练可以提高 FL 的学习精度，但这会导致更高的能耗。另一方面，通过选择具有小数据集的物联网设备进行 FL 可以降低能耗，但会导致学习精度下降。在本文中，我们为隐私保护的 EdgeIoT 制定了一个新的资源分配问题，以平衡 FL 的学习精度与物联网设备的能耗。我们提出了一种新的联邦学习赋能的双延迟深度确定性策略梯度（FL-DLT3）框架，以在连续域中实现最优的精度与能耗平衡。此外，FL-DLT3 中利用了长短期记忆（LSTM）来预测时变网络状态，同时训练 FL-DLT3 以选择物联网设备并分配发射功率。数值结果表明，所提出的 FL-DLT3 实现了快速收敛（少于 100 次迭代），同时与现有最先进的基准相比，FL 精度-能耗比提高了 51.8%。
引用
@article{arxiv.2202.07391,
title = {Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in Privacy-Persevering EdgeIoT},
author = {Jingjing Zheng and Kai Li and Naram Mhaisen and Wei Ni and Eduardo Tovar and Mohsen Guizani},
journal= {arXiv preprint arXiv:2202.07391},
year = {2022}
}
备注
This paper is accepted by IEEE Internet of Things Journal