کنفرانس مهندسی برق ایران

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 Soleimani¹ Negar Anabestani² Mahmoud Momtazpour³

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

No-Reference Image Quality Assessment Using Knowledge Distillation

S. farhad Hosseini-benvidi - Azadeh Mansouri - Ahmad Mahmoudi-aznaveh

Net Load Forecasting of Household Prosumers Considering Deep Reinforcement Learning

Behzad Motallebi Azar - Rasool Kazemzadeh - Morteza Zare Oskouei - Behnam Mohammadi-Ivatloo

برنامه ریزی احتمالاتی بهینه فیلترهای پسیو در حضور خودروهای برقی متصل به شبکه با قابلیت جبران‌سازی هارمونیک در شبکه‌های توزیع

پریسا انجم شعاع - سعید اسماعیلی

Automated Optic Disc Segmentation in Low-Quality Retinopathy of Prematurity Retinal Images

Abolfazl Karimiyan Abdar - Reza AghaeiZadeh Zoroofi - Naser Shoeibi - Sare Safi - Alireza Ramezani - Homayoun Nikkhah - Hamid Safi - Mohammad Reza Ansari Astaneh

Higher-order semi-blind source separation approaches using Canonical Polyadic (CP) decomposition

Mohammad Jalilpour Monesi - Sepideh Hajipour Sardouie

Design and Control of a Novel Multi-port Bidirectional Buck-Boost Converter Suitable for Hybrid Electric Vehicle Charging Stations

Amir Safaeinasab - Homayon Soltani Gohari - Karim Abbaszadeh

Highly Efficient Implementation of Chaotic Systems Utilizing High-Level Synthesis Tools

Mobin Vaziri - Hadi Jahanirad

FMRI Functional Connectivity Analysis for Localizing Epileptic Focus

Seyyed Mostafa Sadjadi - Elias Ebrahimzadeh - Hamid Soltanian-Zadeh

Impact of Loss of Generation (LoG) on Directional Overcurrent Protection in Microgrids

Amir Nedaei - Aref Eskandari

پیچش زمانی عمیق برای انطباق چندگانه سری های زمانی

سیدعلیرضا نوربخش - نرجس الهدی محمدزاده

ثمین همایش، سامانه مدیریت کنفرانس ها و جشنواره ها - نگارش 40.3.1