یک چارچوب سلسله مراتبی تطبیق پذیر برای یادگیری فدرال در اینترنت اشیاء با استفاده از انتخاب کلاینت آگاه از انرژی و شخصی سازی محلی

رشد انفجاری دستگاه های اینترنت اشیاء منجر به تولید حجم عظیمی از داده های حساس شده است که انتقال آنها به سرورهای ابری برای آموزش مدل های یادگیری ماشین با چالش های جدی در زمینه حریم خصوصی، پهنای باند و تاخیر مواجه است. یادگیری فدرال به عنوان یک راه حل امیدوارکننده آموزش مدل ها را روی دستگاه های لبه انجام می دهد. با این حال پیاده سازی FL در محیط های IoT به دلیل ناهمگونی داده ها، محدودیت شدید منابع (باتری و پردازنده) و نویز ارتباطی با افت دقت و ناکارآمدی روبروست. در این مقاله یک چارچوب جدید به نام "EH-PFL" پیشنهاد می شود. روش پیشنهادی با استفاده از یک ساختار سلسله مراتبی سه لایه Cloud Edge IoT و یک مکانیسم انتخاب کلاینت مبتنی بر امتیازدهی انرژی و کیفیت، داده سربار ارتباطی را کاهش می دهد، همچنین برای حل مشکل ناهمگونی داده از یک تکنیک شخصی سازی مبتنی بر تنظیم دقیق (Fine-tuning) محلی استفاده شده است. نتایج شبیه سازی نشان می دهد که روش پیشنهادی نسبت به روش های پایه مانند FedAvg، دقت را تا ۱۲% افزایش و مصرف انرژی را تا ۲۵% کاهش می دهد.

کلیدواژه ها:

یادگیری فدرال ، اینترنت اشیاء ، محاسبات لبه ، حفظ حریم خصوصی ، شخصی سازی ، مدیریت انرژی