面向蜂窝 VR 的个性化联邦学习:在线学习与动态缓存

Krishnendu S. Tharakan; Hayssam Dahrouj; Nour Kouzayha; Hesham ElSawy; Tareq Y. Al-Naffouri

面向蜂窝 VR 的个性化联邦学习:在线学习与动态缓存

信息论 2025-01-23 v2 机器学习 math.IT

作者: Krishnendu S. Tharakan , Hayssam Dahrouj , Nour Kouzayha , Hesham ElSawy , Tareq Y. Al-Naffouri

摘要

通过无线连接为虚拟现实(VR)用户提供沉浸式体验,使其能够随时随地自由参与。然而,确保为 VR 用户提供实时且高质量视频的无缝无线连接仍具挑战性。本文针对支持移动边缘计算(MEC)的无线 VR 网络,提出一种基于视场(FoV)感知的缓存方案。具体而言,各基站(BS)根据为其量身定制的缓存策略缓存/预取每个 VR 用户的视场内容。我们提出了具有性能保证的、去中心化的个性化联邦学习(DP-FL)缓存策略。在由多个 VR 设备与基站构成的 VR 系统中,每个基站实施一种 DP-FL 缓存算法,以实现面向 VR 用户的个性化内容交付。所采用的 DP-FL 算法可保证条件平均缓存命中率的概率近似正确(PAC)界。此外,为降低梯度通信开销,我们提出了随机梯度下降的 1 比特量化(OBSGD),并为所提算法获得了 $\mathcal{O}(1/\sqrt{T})$ 的收敛保证,其中 $T$ 为迭代次数。同时,为更好地刻画无线信道动态特性,根据请求 VR 用户的数量将视场分组为多播组或单播组。通过真实 VR 头部跟踪数据集对所提 DP-FL 算法的性能进行了验证,结果表明,所提算法在平均时延与缓存命中率方面均优于基线算法。

关键词

虚拟现实联邦学习边缘缓存视场 1 比特量化无线网络

引用

@article{arxiv.2501.11745,
  title  = {Personalized Federated Learning for Cellular VR: Online Learning and Dynamic Caching},
  author = {Krishnendu S. Tharakan and Hayssam Dahrouj and Nour Kouzayha and Hesham ElSawy and Tareq Y. Al-Naffouri},
  journal= {arXiv preprint arXiv:2501.11745},
  year   = {2025}
}

备注

accepted for publication in IEEE Transactions on Communications

面向蜂窝 VR 的个性化联邦学习:在线学习与动态缓存

摘要

关键词

引用

备注

相关论文