Khái niệm cốt lõi
Effiziente Nutzung von Federated Learning und Edge Computing für Empfehlungssysteme in Cloud-Computing-Netzwerken.
Tóm tắt
I. Einleitung
- Edge Intelligence nutzt Edge Computing und AI für datennahes Verarbeiten.
- Federated Learning (FL) ermöglicht datenschutzkonformes maschinelles Lernen.
- Hierarchisches Federated Learning (HFL) vorgeschlagen für effiziente Kommunikation.
- Decentralized Caching Algorithmus mit DRL und FL zur Verbesserung der Nutzererfahrung.
II. Verwandte Arbeit
- Kombination von Edge Computing und FL für datenschutzkonformes Training.
- Architekturdesign für empfehlungsbasierte FL-Systeme.
- Modelle für Empfehlungsalgorithmen basierend auf FL.
III. Systembeschreibung und Funktionsdefinition
- Personalisiertes FL und Modellpruning.
- Optimierungsziel für PFL unter Berücksichtigung von Modellpruning.
- Vorgeschlagene Methode für gemeinsames Modellpruning und Nachbarauswahl.
IV. Experimentelle Bewertung
- Experimente mit Fashion-MNIST, CIFAR-10, CEMNIST und IMAGENET.
- Vergleich von DPMN mit anderen Methoden.
- Effektivität von DPMN in der Reduzierung von Bandbreitenressourcen und Verbesserung der Modellgenauigkeit.
V. Schlussfolgerungen
- Vorteile von Cloud Computing und Deep Reinforcement Learning.
- Zukunftsaussichten für die Weiterentwicklung von FL-Systemen.
- Vorteile von FL und Edge Computing für den Datenschutz.
Thống kê
FL ermöglicht datenschutzkonformes maschinelles Lernen.
HFL vorgeschlagen für effiziente Kommunikation.
DRL und FL zur Verbesserung der Nutzererfahrung.
Trích dẫn
"Federated Learning ist ein verteiltes maschinelles Lernframework, das es Benutzern ermöglicht, Modelle unter Verwendung lokaler Datensätze zu trainieren."
"Die Kombination von Edge Computing und Federated Learning zielt darauf ab, die Vorteile des Edge Computing in der Datenverarbeitungsgeschwindigkeit zu nutzen und gleichzeitig die Privatsphäre der Benutzer durch den verteilten Modelltrainingsansatz von Federated Learning zu schützen."