Leveraging Federated Learning and Edge Computing for Recommendation Systems within Cloud Computing Networks

要約

人工知能 (AI) の大規模かつ効率的な展開を可能にするために、AI とエッジ コンピューティングの組み合わせによりエッジ インテリジェンスが誕生しました。エッジ インテリジェンスは、エンド デバイスとエッジ サーバーのコンピューティング機能と通信機能を活用して、データが生成される場所に近い場所でデータを処理します。
エッジ インテリジェンスの主要なテクノロジは、Federated Learning (FL) として知られるプライバシーを保護する機械学習パラダイムです。これにより、データ所有者は生データをサードパーティのサーバーに転送することなくモデルをトレーニングできます。
ただし、FL ネットワークには数千の異種分散デバイスが関与すると予想されます。
その結果、通信効率が依然として大きなボトルネックとなっています。
ノードの障害とデバイスの終了を減らすために、指定されたクラスター リーダーが中間モデルの集約を通じてデータ所有者をサポートする階層フェデレーテッド ラーニング (HFL) フレームワークが提案されています。
したがって、エッジ サーバーのリソース利用率の向上に基づいて、この論文はキャッシュ容量の制限を効果的に補うことができます。
ユーザー エクスペリエンスの品質 (QoE) に対するソフト クリックの影響を軽減するために、著者らはユーザーの QoE を包括的なシステム コストとしてモデル化しました。
この定型的な問題を解決するために、著者らは、複数のエージェントが独立して学習して意思決定を行う、フェデレーテッド深層強化学習 (DRL) とフェデレーテッド ラーニング (FL) を備えた分散型キャッシング アルゴリズムを提案しています。

要約(オリジナル)

To enable large-scale and efficient deployment of artificial intelligence (AI), the combination of AI and edge computing has spawned Edge Intelligence, which leverages the computing and communication capabilities of end devices and edge servers to process data closer to where it is generated. A key technology for edge intelligence is the privacy-protecting machine learning paradigm known as Federated Learning (FL), which enables data owners to train models without having to transfer raw data to third-party servers. However, FL networks are expected to involve thousands of heterogeneous distributed devices. As a result, communication efficiency remains a key bottleneck. To reduce node failures and device exits, a Hierarchical Federated Learning (HFL) framework is proposed, where a designated cluster leader supports the data owner through intermediate model aggregation. Therefore, based on the improvement of edge server resource utilization, this paper can effectively make up for the limitation of cache capacity. In order to mitigate the impact of soft clicks on the quality of user experience (QoE), the authors model the user QoE as a comprehensive system cost. To solve the formulaic problem, the authors propose a decentralized caching algorithm with federated deep reinforcement learning (DRL) and federated learning (FL), where multiple agents learn and make decisions independently

arxiv情報

提供元, 利用サービス

arxiv.jp, Google