区块链赋能联邦学习的资源管理：一种深度强化学习方法
机器学习
2020-05-04 v2 分布式、并行与集群计算
网络与互联网体系结构
机器学习
摘要
区块链赋能联邦学习（BFL）使移动设备能够协作训练机器学习模型拥有者（MLMO）所需的神经网络模型，同时将数据保留在移动设备上。然后，模型更新以去中心化且可靠的方式存储在区块链中。然而，BFL 的问题在于移动设备具有能量和 CPU 约束，可能降低系统寿命和训练效率。另一个问题是由于区块链挖矿过程，训练延迟可能增加。为解决这些问题，MLMO 需要（i）决定移动设备用于训练的数据量和能量，以及（ii）确定区块生成速率，以在达到模型目标精度的同时最小化系统延迟、能耗和激励成本。在 BFL 环境的不确定性下，MLMO 难以确定最优决策。我们提出使用深度强化学习（DRL）为 MLMO 推导最优决策。
引用
@article{arxiv.2004.04104,
title = {Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach},
author = {Nguyen Quang Hieu and Tran The Anh and Nguyen Cong Luong and Dusit Niyato and Dong In Kim and Erik Elmroth},
journal= {arXiv preprint arXiv:2004.04104},
year = {2020}
}