“`html
Динамичное ресурсное эффективное асинхронное федеративное обучение для цифровых двойников-сетей IoT
Технология Цифрового Двойника (DT) становится все более популярной как метод, который обеспечивает динамическое отображение топологии устройств Интернета вещей (IoT) и обновления статуса в реальном времени. Однако существуют сложности в развертывании DT в промышленных сетях IoT, особенно когда требуется значительная и распределенная поддержка данных. Часто это приводит к созданию “силосов данных”, где данные содержатся в определенных системах или устройствах, что затрудняет сбор и анализ данных по всей сети. Кроме того, из-за возможного злоупотребления или разглашения конфиденциальной информации, сбор и использование распределенных данных создают серьезные проблемы с конфиденциальностью.
Практические решения:
Для решения этих проблем исследователи создали динамическую технику планирования ресурсов, специально для асинхронной легкой сети IoT, использующей федеративное обучение (FL). Цель этого метода – минимизировать многокритериальную функцию, учитывающую задержку и энергопотребление, чтобы максимизировать производительность сети. Команда обеспечила управление передачей мощности и выбор IoT-устройств таким образом, чтобы удовлетворять требованиям производительности модели FL.
Стратегия основана на математически доказанном алгоритме Ляпунова, который гарантирует стабильность системы. С помощью этой техники сложная задача оптимизации была разбита на несколько более простых задач оптимизации. Затем для получения лучших планов планирования IoT-устройств и управления передачей мощности команда создала двухэтапный метод оптимизации.
Команда сначала построила аналитические решения для оптимальной передачи мощности устройства IoT. Этот шаг обеспечивает эффективную передачу данных каждым устройством с минимальным энергопотреблением, при этом обеспечивается необходимое качество связи. Проблема выбора устройства IoT была решена на втором этапе, что осложняется неизвестной информацией о передаче мощности и вычислительной частоте.
Для решения проблемы выбора устройства на стороне краевого сервера была использована многорукий бандит (MAB), модель принятия решений, которая помогает выбрать оптимальный вариант из нескольких нечетких вариантов. Затем проблема выбора устройства была решена с использованием эффективного онлайн-алгоритма под названием client utility-based upper confidence bound (CU-UCB).
Числовые результаты подтвердили полезность этой техники, демонстрируя ее превосходную производительность по сравнению с существующими бенчмарками. Симуляции, проведенные на наборах данных, таких как Fashion-MNIST и CIFAR-10, показали, что этот подход достигает более быстрых скоростей обучения за тот же период времени, что указывает на его потенциал улучшить эффективность и эффективность сетей DT, основанных на FL, в промышленных сценариях IoT.
Заключение:
Исследователи подвели итоги своих основных достижений:
- Разработана динамичная техника планирования ресурсов для асинхронного федеративного обучения в легкой сети IoT, управляемой Цифровым Двойником, решающая проблемы силосов данных и конфиденциальности в промышленном IoT.
- Цель алгоритма – минимизировать многокритериальную функцию для улучшения общей производительности асинхронного FL. Эта функция оптимизирует выбор IoT-устройств и регулирование передачи мощности, учитывая как энергопотребление, так и задержку.
- Сложная задача оптимизации была разбита на более простые задачи оптимизации с использованием метода Ляпунова. Аналитические доказательства и оптимизации использовались для получения аналитических решений для оптимальной передачи мощности устройств IoT.
- Использована модель многорукого бандита (MAB) для представления проблемы выбора устройства IoT на стороне краевого сервера, где некоторая информация о состоянии неизвестна. Эта проблема была решена с использованием эффективного онлайн-алгоритма client utility-based upper confidence bound.
- Исследование дало понять, что метод достигает сублинейного регрета по числу раундов общения, определяя теоретическую оптимальность. На наборах данных Fashion-MNIST и CIFAR-10 было показано, что предложенный метод CU-UCB достигает более быстрых скоростей обучения по сравнению с базовыми подходами в тот же период обучения, что подтверждается числовыми результатами.
Подробнее читайте в статье. Вся зачисление за это исследование принадлежит его авторам. Также не забудьте подписаться на наш Twitter и присоединиться к нашему каналу в Telegram и группе в LinkedIn. Если вам понравилась наша работа, вам понравится и наша рассылка.
Не забудьте присоединиться к нашему сообществу в Reddit с более чем 50 тысячами участников.
Высоко рекомендуемый вебинар от нашего спонсора: “Разблокируйте потенциал ваших данных Snowflake с LLMs”.
Оригинал статьи опубликован в MarkTechPost.