面向联邦学习的雾计算赋能分布式训练架构
分布式、并行与集群计算
2024-02-21 v1
摘要
每秒钟产生的数据量都在不断增加。各种传感器、摄像头和智能设备在其安装期间持续产生数据。在云服务器上处理和分析原始数据面临带宽、拥塞、延迟、隐私和安全等诸多挑战。雾计算将计算资源移近 IoT，从而解决了其中部分问题。这些 IoT 设备的计算能力较低，不足以训练机器学习模型。从不断增长的数据中挖掘隐藏模式和推理规则对于各种应用至关重要。由于日益增长的隐私担忧，融入隐私保护机器学习是另一个需要考虑的方面。在本文中，我们提出了一种利用资源受限设备进行机器学习任务的雾计算赋能分布式训练架构。所提出的架构利用在线学习在快速变化的数据上训练机器学习模型。该网络与隐私保护的联邦学习训练相契合。此外，该架构的学习能力在一个真实的 IIoT 用例上进行了测试。我们在 IIoT 设置中的快速变化数据上训练了一个用于人体位置检测的神经网络模型。
引用
@article{arxiv.2402.12906,
title = {Fog enabled distributed training architecture for federated learning},
author = {Aditya Kumar and Satish Narayana Srirama},
journal= {arXiv preprint arXiv:2402.12906},
year = {2024}
}
备注
Conference paper accepted at BDA 2021