論文筆記——Federated learning framework for mobile edge computing networks
本論文着重研究的是聯邦學習應用於需求預測類問題。
一般來說，FL存在的一些問題：
- 非獨立同分布數據。客戶訓練數據集各不相同，給定的本地訓練數據集不代表人口分佈。
- 不平衡數據集。每個客戶的本地訓練數據量不同。這意味着不同客戶對訓練價值觀的可靠性不同，因爲訓練程序可能太短。
- 大規模分銷。FL框架中涉及的客戶端明顯大於本地處理的數據數。
- 有限的溝通。移動設備並不總是可用於訓練數據，而且通常它們可能速度慢或通信條件差。
本論文提出了一種混合雲MEC網絡方案，考慮了位於網絡邊緣ED、考進邊緣設備的網絡元素NE上部署大多數請求應用程序的虛擬機副本VRC。
以命中率AHP來進行適當的VRC分配，AHP表示查找設備在其附近的NE上請求組的應用程序時的命中率。
本研究的主要貢獻是
- 將FL架構的情境化應用於VRCs的部署問題，利用分散的訓練數據是在VRCs的分配問題上尋求有效結果的有力工具
- 在不耗盡EDs硬件資源的情況下，檢測和應用執行分散數據訓練的基本方法。
- 行了大量的數值模擬，並與混沌理論（CT）方法進行了比較，驗證了將該方法應用於VRCs展開問題所產生的顯著性能。
網絡結構：
每個需要任務計算的ED主要在一個附近的NEs上查找一個所需應用程序的VRC。（我們假設每個ED將任務發送到最近的NE，如果它不包含ED請求的應用程序，則將任務轉發到包含該應用程序的最近的NE。最後，我們假設每個NE都知道其他NE包含的VRCs，並且每個NE都存儲了一個路由表，其中爲每對NEs保存了這些NEs之間的最短路徑。）如果沒有一個NE擁有所需應用程序的VRC，任務被髮送到所有應用程序類型都存在的雲。
ED j在執行計算時所經歷的總計算成本（OCC）由
給出，
其中
和
分別表示任務j在NE i和雲上花費的時間。需要注意的是，
和
，都表示爲在NE和雲的CPU中花費的任務執行時間的總和，以及任務在這些站點上等待執行所經歷的排隊時間。（假定CPU隊列採用先進先出的服務策略）此外，
表示將任務從ED j發送到其最近的NE i*時的傳輸成本。如果任務j是在NEi上計算的，則
的二進制值爲1，否則爲0。
算法：
提出的FL框架由負責本地數據訓練的客戶端和服務器端（通常爲基站）組成，所述基站由旨在通過合併和聚合EDs更新的本地模型來改進全局學習模型的中央服務器表示。該方法基於客戶端和服務器端的交互過程，在每輪算法迭代過程中，訓練過程中涉及的EDs是整個EDs集的子集，其元素數等於y。
實驗採用的數據集爲MovieLens 1M數據集，以下稱爲數據集1，以及MovieLens 100K數據集[34]在這篇論文中稱作數據集2。
爲了驗證所提出方法的有效性，比較了用CT方法、通過相空間重構方法和提出的基於深度學習的方法獲得的預測值的準確性。
原文見論文題目