FL-SD3联邦学习资源管理算法

能效提升七成

一种基于SD3深度强化学习的客户端选择与动态资源分配算法，可在信道状态信息不完美的前提下协同优化联邦边缘学习系统的学习精度与能耗。

Sheng, Zhou · Li, Feng · 梅牧雨 · 姚明旿

IEEE Internet of Things Journal 2024

参数信息

成功率提升

11.6 %

精度-能量增益提升

70.1 %

技术优势

精度-能量增益大幅提升

在信道状态信息不完美的条件下，通过联合优化客户端选择和资源分配，使精度-能量增益较现有方法提升70.1%。

成功率提升

与部分现有方法相比，所提FL-SD3算法将成功率提升11.6%，有助于提高联邦边缘学习系统的可靠性。

应用场景

• 联邦边缘学习：在边缘设备上协作训练模型，保护数据隐私并降低通信开销。
• 物联网资源管理：动态分配物联网系统中的通信和计算资源，提高能效。
• 深度强化学习：利用深度强化学习在动态环境中学习最优资源分配策略。
• 边缘计算：将计算任务卸载到边缘节点，减少延迟并支持实时决策。
• 智能通信：在信道状态信息不完美的情况下智能调整通信参数，提升连接可靠性。