相关数据下的联邦学习：面向工业物联网年龄最优的尾部调控
机器学习
2021-08-18 v1 网络与互联网体系结构
摘要
尽管工业物联网中的信息传输要求可靠性和时延保障，但控制器可用信息的新鲜度（以信息年龄（AoI）衡量）对于高性能工业自动化至关重要。本工作的问题被建模为在峰值 AoI 要求和排队时延的概率约束下最小化传感器发射功率。我们进一步用广义帕累托分布（GPD）刻画时延的尾部行为，以通过 Lyapunov 优化求解功率分配问题。由于每个传感器利用自身数据本地训练 GPD 模型，我们引入联邦学习并提出一种考虑传感器训练数据间相关性的本地模型选择方法。数值结果展示了发射功率、峰值 AoI 和时延尾部分布之间的权衡。此外，我们验证了所提出的联邦学习中考虑相关性的本地模型选择方法相对于现有基线的优越性。
引用
@article{arxiv.2108.07504,
title = {Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT},
author = {Chen-Feng Liu and Mehdi Bennis},
journal= {arXiv preprint arXiv:2108.07504},
year = {2021}
}
备注
Accepted in WiOpt 2021 with 6 pages, 5 figures, and 2 tables