面向无线边缘学习的知识蒸馏

在本文中，我们提出了一个通过近期收集的数据集来预测DARPA频谱协作挑战赛（SC2）的频谱拥塞协作无线环境中的帧错误的框架。我们采用在边缘节点和中心云之间共享的分布式深度边缘学习。使用这一接近实际的数据集，我们发现广泛使用的联邦学习方法，特别是那些保护隐私的方法，在广泛的设置下比本地训练更差。因此我们利用合成少数类过采样技术，通过避免将本地数据传输到云来保持隐私，并利用知识蒸馏以受益于云的高计算和存储能力。所提出的框架实现了比本地和联邦训练方法总体更好的性能，同时对灾难性故障以及导致高帧错误率的挑战性信道条件具有鲁棒性。