隐私保护移动边缘计算网络中用于边缘流行度预测的无监督循环联邦学习
多媒体
2022-07-07 v2 人工智能
分布式、并行与集群计算
机器学习
摘要
如今无线通信正迅速重塑整个行业领域。特别是，作为工业物联网（IIoT）赋能技术的移动边缘计算（MEC）将强大的计算/存储基础设施拉近至移动终端，从而显著降低响应时延。为获取网络边缘主动缓存的益处，精确掌握终端设备间的流行度模式至关重要。然而，在许多 IIoT 场景中，内容流行度在时空上的复杂动态特性以及数据隐私要求为其获取带来了严峻挑战。在本文中，我们提出一种面向 MEC 赋能 IIoT 的无监督且隐私保护的流行度预测框架。引入局部流行度与全局流行度的概念，并将各用户时变流行度建模为无模型马尔可夫链。在此基础上，提出一种新颖的无监督循环联邦学习（URFL）算法，以在实现隐私保护与非监督训练的同时预测分布式流行度。仿真表明，所提框架可将预测精度提升，使均方根误差降低达 。此外，人工标注与对用户数据隐私的侵犯均得以避免。
引用
@article{arxiv.2207.00755,
title = {Unsupervised Recurrent Federated Learning for Edge Popularity Prediction in Privacy-Preserving Mobile Edge Computing Networks},
author = {Chong Zheng and Shengheng Liu and Yongming Huang and Wei Zhang and Luxi Yang},
journal= {arXiv preprint arXiv:2207.00755},
year = {2022}
}
备注
17 pages, 15 figures, accepted for publication in IEEE INTERNET OF THINGS JOURNAL