ترجمه فارسی مقاله بهبود بهره وری انرژی در یادگیری فدرال از طریق بهینه سازی برنامه ریزی منابع ارتباطی شبکه های IoT بی سیم

چکیده

Federated Learning (FL) allows devices to train a global machine learning model without sharing data. In the context of wireless networks, the inherently unreliable nature of the transmission channel introduces delays and errors that compromise the regularity of updating the global model. Furthermore, limited resources and energy consumption of devices are factors that affect FL performance. Therefore, this work proposes a new FL algorithm called FL-E2WS that considers both the requirements of federated training and a wireless network within the scope of the Internet of Things. To reduce the energy cost of devices, FL-E2WS schedules communication resources to allocate the ideal bandwidth and power for the transmission of models under certain device selection and uplink resource block allocation, meeting delay requirements, power consumption, and packet error rate. The simulation results demonstrate that FL-E2WS reduces energy consumption by up to 70.12% and enhances the accuracy of the global model by up to 10.21% compared to the FL algorithms that lacks transmission channel knowledge. Additionally, when compared to FL versions that scale communication resources, FL-E2WS achieves up to a 38.61% reduction in energy consumption and improves the accuracy of the global model by up to 1.61%.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) به دستگاه ها اجازه می دهد تا یک مدل یادگیری ماشین جهانی را بدون به اشتراک گذاری داده ها آموزش دهند.در زمینه شبکه های بی سیم ، ماهیت ذاتاً غیرقابل اعتماد کانال انتقال ، تأخیرها و خطاهایی را معرفی می کند که به طور منظم به روزرسانی مدل جهانی را به خطر می اندازد.علاوه بر این ، منابع محدود و مصرف انرژی دستگاه ها عواملی هستند که بر عملکرد FL تأثیر می گذارند.بنابراین ، این کار یک الگوریتم FL جدید به نام FL-E2WS را پیشنهاد می کند که هم الزامات آموزش فدراسیون و هم یک شبکه بی سیم را در محدوده اینترنت اشیاء در نظر می گیرد.برای کاهش هزینه انرژی دستگاه ها ، FL-E2WS منابع ارتباطی را برای تخصیص پهنای باند و قدرت ایده آل برای انتقال مدل ها تحت انتخاب خاص دستگاه و تخصیص بلوک منابع بالا ، نیازهای تأخیر در جلسه ، مصرف برق و میزان خطای بسته برنامه ریزی می کند.نتایج شبیه سازی نشان می دهد که FL-E2WS مصرف انرژی را تا 70.12 ٪ کاهش می دهد و دقت مدل جهانی را تا 10.21 ٪ در مقایسه با الگوریتم های FL که فاقد دانش کانال انتقال هستند ، افزایش می دهد.علاوه بر این ، در مقایسه با نسخه های FL که منابع ارتباطی را مقیاس می کنند ، FL-E2WS تا 38.61 ٪ کاهش مصرف انرژی به دست می آید و دقت مدل جهانی را تا 1.61 ٪ بهبود می بخشد.