在云计算网络中利用联邦学习与边缘计算构建推荐系统
人工智能
2024-03-14 v2
摘要
为了实现人工智能（AI）的大规模高效部署，AI 与边缘计算的结合催生了边缘智能，它利用终端设备和边缘服务器的计算与通信能力，在更靠近数据生成的地方处理数据。边缘智能的一项关键技术是被称为联邦学习（FL）的隐私保护机器学习范式，它使数据所有者无需将原始数据传输至第三方服务器即可训练模型。然而，FL 网络预计将涉及数千台异构分布式设备。因此，通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出，提出了一种分层联邦学习（HFL）框架，其中指定的集群领导者通过中间模型聚合为数据所有者提供支持。因此，基于边缘服务器资源利用率的提升，本文能够有效弥补缓存容量的限制。为了减轻软点击对用户体验质量（QoE）的影响，作者将用户 QoE 建模为综合系统成本。为了解决该公式化问题，作者提出了一种结合联邦深度强化学习（DRL）和联邦学习（FL）的去中心化缓存算法，其中多个智能体独立学习并做出决策。
引用
@article{arxiv.2403.03165,
title = {Leveraging Federated Learning and Edge Computing for Recommendation Systems within Cloud Computing Networks},
author = {Yaqian Qi and Yuan Feng and Xiangxiang Wang and Hanzhe Li and Jingxiao Tian},
journal= {arXiv preprint arXiv:2403.03165},
year = {2024}
}