ترجمه فارسی مقاله یادگیری فدرال با سنجش ، ارتباطات و محاسبات یکپارچه: چارچوب ها و تجزیه و تحلیل عملکرد

چکیده

With the emergence of integrated sensing, communication, and computation (ISCC) in the upcoming 6G era, federated learning with ISCC (FL-ISCC), integrating sample collection, local training, and parameter exchange and aggregation, has garnered increasing interest for enhancing training efficiency. Currently, FL-ISCC primarily includes two algorithms: FedAVG-ISCC and FedSGD-ISCC. However, the theoretical understanding of the performance and advantages of these algorithms remains limited. To address this gap, we investigate a general FL-ISCC framework, implementing both FedAVG-ISCC and FedSGD-ISCC. We experimentally demonstrate the substantial potential of the ISCC framework in reducing latency and energy consumption in FL. Furthermore, we provide a theoretical analysis and comparison. The results reveal that:1) Both sample collection and communication errors negatively impact algorithm performance, highlighting the need for careful design to optimize FL-ISCC applications. 2) FedAVG-ISCC performs better than FedSGD-ISCC under IID data due to its advantage with multiple local updates. 3) FedSGD-ISCC is more robust than FedAVG-ISCC under non-IID data, where the multiple local updates in FedAVG-ISCC worsen performance as non-IID data increases. FedSGD-ISCC maintains performance levels similar to IID conditions. 4) FedSGD-ISCC is more resilient to communication errors than FedAVG-ISCC, which suffers from significant performance degradation as communication errors increase.Extensive simulations confirm the effectiveness of the FL-ISCC framework and validate our theoretical analysis.

چکیده به فارسی (ترجمه ماشینی)

با ظهور سنجش ، ارتباطات و محاسبات یکپارچه (ISCC) در دوره 6G آینده ، یادگیری فدرال با ISCC (FL-ISCC) ، یکپارچه سازی مجموعه نمونه ، آموزش محلی و تبادل پارامتر و جمع آوری ، علاقه بیشتری به تقویت آموزش داده استکارآییدر حال حاضر ، FL-ISCC در درجه اول شامل دو الگوریتم است: FEDAVG-ISCC و FEDSGD-ISCC.با این حال ، درک نظری از عملکرد و مزایای این الگوریتم ها محدود است.برای پرداختن به این شکاف ، ما یک چارچوب عمومی FL-ISCC را بررسی می کنیم ، هم FEDAVG-ISCC و هم FEDSGD-ISCC را اجرا می کنیم.ما به طور تجربی پتانسیل قابل توجهی از چارچوب ISCC را در کاهش تأخیر و مصرف انرژی در FL نشان می دهیم.علاوه بر این ، ما یک تحلیل نظری و مقایسه ارائه می دهیم.نتایج نشان می دهد که: 1) هر دو خطای نمونه و خطاهای ارتباطی بر عملکرد الگوریتم تأثیر منفی می گذارد ، و نیاز به طراحی دقیق را برای بهینه سازی برنامه های FL-ISCC برجسته می کند.2) FEDAVG-ISCC به دلیل مزیت آن در چندین به روزرسانی های محلی ، عملکرد بهتری نسبت به FEDSGD-ISCC در زیر داده های IID دارد.3) FEDSGD-ISCC تحت داده های غیر IID نسبت به FEDAVG-ISCC قوی تر است ، جایی که به روزرسانی های محلی متعدد در FEDAVG-ISCC عملکرد را با افزایش داده های غیر IID بدتر می کند.FEDSGD-ISCC سطح عملکرد مشابه شرایط IID را حفظ می کند.4) FEDSGD-ISCC نسبت به FEDAVG-ISCC نسبت به خطاهای ارتباطی مقاومت بیشتری دارد ، که با افزایش خطاهای ارتباطی از تخریب عملکرد قابل توجهی رنج می برد. شبیه سازی های فشرده اثربخشی چارچوب FL-ISCC را تأیید می کنند و تجزیه و تحلیل نظری ما را تأیید می کنند.