面向带移动增强现实的元宇宙的联邦学习资源分配
机器学习
2023-12-08 v3 社会与信息网络
摘要
元宇宙近来备受关注。通过移动增强现实（MAR）实现的元宇宙应用需要快速且准确的目标检测，以将数字数据与现实世界混合。联邦学习（FL）因其隐私保护特性而是一种引人关注的分布式机器学习方法。出于隐私担忧以及移动设备计算资源有限，我们将 FL 引入元宇宙的 MAR 系统以协同训练模型。此外，为平衡能量、执行延迟与模型精度之间的权衡，从而适应不同需求与应用场景，我们制定了一个优化问题，以最小化总能耗、完成时间与模型精度的加权组合。通过将非凸优化问题分解为两个子问题，我们设计了一种资源分配算法，以确定每个参与设备的带宽分配、传输功率、CPU 频率和视频帧分辨率。我们进一步给出了所提算法的收敛性分析与计算复杂度。数值结果表明，在不同权重参数下，与现有基准相比，我们提出的算法具有更好的性能（就能耗、完成时间与模型精度而言）。
引用
@article{arxiv.2211.08705,
title = {Resource Allocation of Federated Learning for the Metaverse with Mobile Augmented Reality},
author = {Xinyu Zhou and Chang Liu and Jun Zhao},
journal= {arXiv preprint arXiv:2211.08705},
year = {2023}
}
备注
This paper appears in IEEE Transactions on Wireless Communications. DOI: https://doi.org/10.1109/TWC.2023.3326884 It is the journal version of 2022 IEEE 42nd International Conference on Distributed Computing Systems (ICDCS) paper: arXiv:2209.14900; i.e., https://doi.org/10.1109/ICDCS54860.2022.00101