یک چارچوب سلسله‌مراتبی تطبیق‌پذیر برای یادگیری فدرال در اینترنت اشیاء با استفاده از انتخاب کلاینت آگاه از انرژی و شخصی‌سازی محلی

یک چارچوب سلسله‌مراتبی تطبیق‌پذیر برای یادگیری فدرال در اینترنت اشیاء با استفاده از انتخاب کلاینت آگاه از انرژی و شخصی‌سازی محلی

رضوان محمودیه1

1) استادیار گروه مهندسی کامپیوتر،واحد اسدآباد دانشگاه آزاد اسلامی،اسدآباد ،ایران

کد IOI مقاله : AAHD-ABBBBC
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    رشد انفجاری دستگاه‌های اینترنت اشیاء منجر به تولید حجم عظیمی از داده‌های حساس شده است که انتقال آن‌ها به سرورهای ابری برای آموزش مدل‌های یادگیری ماشین، با چالش‌های جدی در زمینه حریم خصوصی، پهنای باند و تأخیر مواجه است. یادگیری فدرال به عنوان یک راه‌حل امیدوارکننده، آموزش مدل‌ها را روی دستگاه‌های لبه انجام می‌دهد. با این حال، پیاده‌سازی FL در محیط‌های IoT به دلیل ناهمگونی داده‌ها ،محدودیت شدید منابع (باتری و پردازنده) و نویز ارتباطی با افت دقت و ناکارآمدی روبروست. در این مقاله، یک چارچوب جدید به نام «EH-PFL » پیشنهاد می‌شود. روش پیشنهادی با استفاده از یک ساختار سلسله‌مراتبی سه لایه IoT، Edge، Cloud و یک مکانیسم انتخاب کلاینت مبتنی بر امتیازدهی انرژی و کیفیت داده، سربار ارتباطی را کاهش می‌دهد. همچنین، برای حل مشکل ناهمگونی داده، از یک تکنیک شخصی‌سازی مبتنی بر تنظیم دقیق (Fine-tuning) محلی استفاده شده است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های پایه مانند FedAvg، دقت را تا ۱۲٪ افزایش و مصرف انرژی را تا ۲۵٪ کاهش می‌دهد.

کلمات کلیدی : واژگان کلیدی یادگیری فدرال اینترنت اشیاء محاسبات لبه حفظ حریم خصوصی شخصی‌سازی مدیریت انرژی