基于深度强化学习的IIoT中元计算增强型联邦学习：满足感感知激励方案
机器学习
2025-12-10 v3 人工智能
计算机科学与博弈论
摘要
工业物联网（IIoT）利用联邦学习（FL）进行分布式模型训练，同时保持数据隐私，元计算通过优化和集成分布式计算资源来增强FL，提高效率和可扩展性。高效的IIoT运营需要在模型质量和训练延迟之间进行权衡。因此，IIoT中联邦学习的主要挑战是通过平衡模型质量和训练延迟来优化整个系统性能。本文设计了考虑数据大小、信息年龄（AoI）和训练延迟的满足感函数，用于元计算。此外，将满足感函数纳入效用函数，以激励IIoT节点参与模型训练。我们将服务器和节点的效用函数建模为两阶段斯塔克贝尔游戏，并采用深度强化学习方法学习斯塔克贝尔均衡。该方法确保奖励平衡，增强了该激励方案在IIoT中的适用性。仿真结果表明，在相同的预算约束下，所提出的激励方案比现有无需牺牲模型精度的FL方案至少提高了23.7%的效用。
引用
@article{arxiv.2502.06909,
title = {Meta-Computing Enhanced Federated Learning in IIoT: Satisfaction-Aware Incentive Scheme via DRL-Based Stackelberg Game},
author = {Xiaohuan Li and Shaowen Qin and Xin Tang and Jiawen Kang and Jin Ye and Zhonghua Zhao and Yusi Zheng and Dusit Niyato},
journal= {arXiv preprint arXiv:2502.06909},
year = {2025}
}