لطفا منتظر بمانید ...
0% Complete
صفحه اصلی
/
سی و دومین کنفرانس بین المللی مهندسی برق
RSF: Reinforcement learning based hybrid split and federated learning for edge computing environments
نویسندگان :
Alireza Soleimani
1
Negar Anabestani
2
Mahmoud Momtazpour
3
1- دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران)
2- دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران)
3- دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران)
کلمات کلیدی :
Federated learning،Split learning،Privacy preserving،Distributed learning،Edge computing
چکیده :
افزایش استفاده از اینترنت اشیا (IoT) در حوزه های مختلف، به ویژه در حوزه هوش مصنوعی، نگرانی هایی را در مورد حفظ حریم خصوصی داده ها ایجاد کرده است. یادگیری فدرال به عنوان یک راه حل امیدوار کننده برای رسیدگی به این نگرانی های حفظ حریم خصوصی در حالی که امکان آموزش مدل مشارکتی را فراهم می کند ظاهر می شود. با این حال، یادگیری فدرال با چالش هایی مانند منابع محاسباتی محدود در دستگاه های IoT، نوسان پهنای باند شبکه، و مقیاس پذیری کم به دلیل ازدحام شبکه در طول انتقال وزن های محلی در مقیاس بزرگ مواجه است. همه اینها منجر به زمان همگرایی نامطلوب یا حتی شکست در روند آموزش می شود. این مقاله یک روش تقسیم شبکه عصبی پویا مبتنی بر یادگیری تقویتی را برای کاهش زمان کلی آموزش با زمان تصمیم گیری پارتیشن بندی سریعتر ارائه می کند. عامل یادگیری تقویتی به صورت پویا بارهای محاسباتی را در دستگاه های اینترنت اشیا، سرورهای لبه و ابر تخصیص می دهد و روند آموزش در محیط های محاسبات لبه را تسریع میبخشد. پارتیشن بندی شبکه عصبی به صورت تکراری سازگار میشود. عامل در شروع هر دور آموزشی در مورد پارتیشن بندی شبکه عصبی برای هر دستگاه IoT تصمیم می گیرد. نتایج شبیهسازی اثربخشی روش پیشنهادی ما را نشان میدهد، و به بهبود سرعت قابل توجهی تا %27 و مقیاسپذیری بالاتر دست مییابد. --------------------------------------------------------------------- The increasing usage of the Internet of Things (IoT) in various domains, particularly within the realm of artificial intelligence has raised concerns about data privacy. Federated learning emerges as a promising solution to address these privacy concerns while enabling collaborative model training [1]. However, federated learning faces challenges such as constrained computing resources on IoT devices, fluctuating network bandwidth, and low scalability due to network congestion during transition of local weights in a large scale. All of these results in a low convergence time, or even failure in the training procedure. This paper presents a reinforcement learning-based dynamic neural network splitting method to reduce overall training time with a faster partitioning decision time. The reinforcement learning agent dynamically allocates computational tasks across IoT devices, Edge servers, and the cloud, accelerating the training process in edge computing environments. The neural network partitioning adapts iteratively. The agent decides on the neural network partitioning for each IoT device at the start of each training round. Simulation results demonstrate the effectiveness of our proposed method, achieving substantial speed improvements up to 27\%, and higher scalability.
لیست مقالات
لیست مقالات بایگانی شده
A Robust Algorithm for Human Presence Detection in Millimeter Wave Imaging Systems
Arman Miraghasi Khani - Mohammad Hossein Gharib - Mahdi Shabany - Zahra Kavehvash
A Fault-Tolerant Strategy for Load Non-Interrupted Power Supply in CHB Converter Based on Modified Level Shift PWM
Farzaneh Aslani-Gaznag - Armin Panahi - Yousef Neyshabouri
Jacobian matrix calculation in scattering from dielectric objects using semi-explicit MoM
Fatemeh Mandegari - Leila Ahmadi - Amir Ahmad Shishegar
مدلسازی، تحلیل و شبیه سازی مبدل رزونانسی LC-LC با قابلیت همزمان جریان ثابت و ولتاژ ثابت در خروجی مناسب برای شارژ باتری
کامران داودی
High-Efficiency Stand-Alone Wind Energy Conversion System, under Claimant Regine Condition
Ahmed I. Jaber - Mohammed Yousif Hachom - Qasim Al Azze - Hanaa Ali Noman - D. V. Samokhvalov - Raid Gaeb
Integrated strategy for segment BRATS using co-operation of FCM and TL under abnormal behavior of noises
Arman Zafaranchi - Pedram Salehpoor
Outage Analysis of Distributed Relaying NOMA in Cognitive Radio Networks
Zahra Doorbash - Ali Jamshidi
Tunable Band gap of Beta Zeolite by Adjusting the Si/Al Ratio
Reza Goldoust - Saeideh Rahbarpour
Q-Learning-Oriented Distributed Energy Management of Grid-Connected Microgrid
Esmat Samadi - Ali Badri - Reza Ebrahimpour
Simulation Analysis of Electrode Metal Influence on the Microcavity Effect in Organic Light-Emitting Diodes
Faezeh Rahimi - Mohammad Sedghi - Asghar Gholami
بیشتر
ثمین همایش، سامانه مدیریت کنفرانس ها و جشنواره ها - نگارش 44.7.2