Core Concepts
Das Ziel ist es, die zeitlich gemittelte Kosten eines drahtlosen Mehrserver-Föderationslernnetzwerks (WMSFLN) zu minimieren, während die Fairness bei der Aufgabenverteilung an die Föderationsserver sichergestellt wird.
Abstract
Der Artikel befasst sich mit der Herausforderung, effiziente Aufgabenverteilung und Anreize für die Teilnahme von Föderationskunden in drahtlosen Mehrserver-Föderationslernnetzwerken (WMSFLN) zu gewährleisten.
Kernpunkte:
In einem WMSFLN gibt es mehrere Föderationsserver, die von einer Auftragsgeberin (TR) mit Lernaufgaben betraut werden. Die Server koordinieren dann den Trainingsprozess mit geeigneten Kunden.
Es wird ein Fairness-bewusstes Mehrserver-Föderationslernen-Aufgabenverteilungsverfahren (FAMuS) vorgeschlagen, das auf Vertragstheorie und Lyapunov-Optimierung basiert.
FAMuS zielt darauf ab, die zeitlich gemittelte Netzwerkkosten zu minimieren, während es die Fairness bei der Aufgabenverteilung an die Server sicherstellt.
Dafür werden virtuelle Schlangen eingeführt, um den Fairnessgrad der Server zu überwachen und auszugleichen.
Umfangreiche Experimente zeigen, dass FAMuS im Vergleich zu führenden Ansätzen eine um 6,91% höhere Testgenauigkeit, 27,34% niedrigere Kosten und 0,63% höhere Fairness erzielt.
Stats
Der Auftragsgeberin (TR) entstehen Kosten in Höhe von µ1 pro Genauigkeitsverlust und µ2 pro Vergütung an Server und Kunden.
Der Teilnahmekostensatz eines Kunden m unter Server n zum Zeitpunkt t beträgt cn,m
t = αmRn,m
t + βmdm
t, wobei αm und βm die Kosten pro Datenrate und Datenmenge sind.
Die Datenübertragungsrate Rn,m
t zwischen Kunde m und Server n zum Zeitpunkt t beträgt Rn,m
t = Bn,m
t log2(1 + pm
t Gn,m
t / (N0Bn,m
t)).
Quotes
Keine relevanten Zitate identifiziert.