5G 核心网络中可靠垂直联邦学习

本工作提出了一种新算法，以缓解在 5G 核心网络（CN）环境下运行的垂直联邦学习（VFL）因客户端可靠性约束导致的模型泛化损失。最近在 3GPP 中受到广泛研究和采纳，VFL 使跨 CN 的协作式和负载均衡模型训练和推断成为可能。然而，随着网络数据分析功能（NWDAFs）——作为 VFL 模型训练和推断的主要客户端——因资源约束和运营开销而出现可靠性问题，VFL 的性能将显著恶化。不同于边缘环境，CN 环境采用根本不同的数据管理策略，特点是更集中的数据编排能力。这为实施更好的分布式解决方案提供了机会，充分利用 CN 数据处理的灵活性。基于这种灵活性，我们提出了一种方法，在考虑客户端可靠性指标的基础上，对垂直特征分割进行优化，同时集中定义其本地模型。我们的实证评估显示，我们提出的方法有效，优于传统基线方法。