Energy Minimization for Participatory Federated Learning in IoT Analyzed via Game Theory

要約

モノのインターネットには、多くのシナリオでインテリジェントな意思決定が必要です。
この目的のために、センシングやコンピューティングのために個々のノードで利用可能なリソース、またはその両方を活用できます。
これにより、それぞれ参加型センシングとフェデレーション学習として知られるアプローチが生じます。
ゲーム理論的な意思決定にローカルノードに力を与えることに基づいた分散アプローチを通じて、両方の同時実装を調査します。
エネルギー最小化のグローバルな目的は、複数の学習ラウンドでデータを検知および送信するためのローカル支出の個々のノードの最適化と組み合わされます。
実際のデータを使用したシミュレートされたネットワークシナリオの理論的フレームワークと実験の両方に基づいて、この手法の広範な評価を提示します。
このような分散アプローチは、データコレクターの集中監督なしで、連合学習のために望ましいレベルの精度に達する可能性があります。
ただし、単一ノードのローカルコストに起因する重量に応じて、アナーキーの価格が大幅に高くなる可能性があります（1.28以降）。
したがって、おそらく単一ノードの情報の年齢に基づいて、インセンティブメカニズムの必要性を主張します。

要約(オリジナル)

The Internet of Things requires intelligent decision making in many scenarios. To this end, resources available at the individual nodes for sensing or computing, or both, can be leveraged. This results in approaches known as participatory sensing and federated learning, respectively. We investigate the simultaneous implementation of both, through a distributed approach based on empowering local nodes with game theoretic decision making. A global objective of energy minimization is combined with the individual node’s optimization of local expenditure for sensing and transmitting data over multiple learning rounds. We present extensive evaluations of this technique, based on both a theoretical framework and experiments in a simulated network scenario with real data. Such a distributed approach can reach a desired level of accuracy for federated learning without a centralized supervision of the data collector. However, depending on the weight attributed to the local costs of the single node, it may also result in a significantly high Price of Anarchy (from 1.28 onwards). Thus, we argue for the need of incentive mechanisms, possibly based on Age of Information of the single nodes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google