ترجمه فارسی مقاله متعادل‌سازی بار در یادگیری فدرال

چکیده

Federated Learning (FL) is a decentralized machine learning framework that enables learning from data distributed across multiple remote devices, enhancing communication efficiency and data privacy. Due to limited communication resources, a scheduling policy is often applied to select a subset of devices for participation in each FL round. The scheduling process confronts significant challenges due to the need for fair workload distribution, efficient resource utilization, scalability in environments with numerous edge devices, and statistically heterogeneous data across devices. This paper proposes a load metric for scheduling policies based on the Age of Information and addresses the above challenges by minimizing the load metric variance across the clients. Furthermore, a decentralized Markov scheduling policy is presented, that ensures a balanced workload distribution while eliminating the management overhead irrespective of the network size due to independent client decision-making. We establish the optimal parameters of the Markov chain model and validate our approach through simulations. The results demonstrate that reducing the load metric variance not only promotes fairness and improves operational efficiency, but also enhances the convergence rate of the learning models.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) یک چارچوب یادگیری ماشین غیرمتمرکز است که یادگیری از داده های توزیع شده در چندین دستگاه از راه دور را امکان پذیر می کند و باعث افزایش کارایی ارتباطات و حریم خصوصی داده ها می شود.با توجه به منابع ارتباطی محدود ، یک خط مشی برنامه ریزی اغلب برای انتخاب زیر مجموعه ای از دستگاه ها برای مشارکت در هر دور FL اعمال می شود.فرایند برنامه ریزی به دلیل نیاز به توزیع بار کار منصفانه ، استفاده از منابع کارآمد ، مقیاس پذیری در محیط هایی با دستگاه های لبه متعدد و داده های ناهمگن در دستگاه ها با چالش های قابل توجهی روبرو می شود.در این مقاله یک متریک بار برای برنامه ریزی سیاست ها بر اساس سن اطلاعات ارائه شده و با به حداقل رساندن واریانس متریک بار در مشتری ، چالش های فوق را برطرف می کند.علاوه بر این ، یک سیاست برنامه ریزی مارکف غیرمتمرکز ارائه شده است ، که ضمن از بین بردن مدیریت سربار بدون در نظر گرفتن اندازه شبکه به دلیل تصمیم گیری مستقل مشتری ، توزیع بار متعادل را تضمین می کند.ما پارامترهای بهینه مدل زنجیره مارکوف را تعیین می کنیم و رویکرد خود را از طریق شبیه سازی ها تأیید می کنیم.نتایج نشان می دهد که کاهش واریانس متریک بار نه تنها باعث افزایش انصاف می شود و راندمان عملیاتی را بهبود می بخشد ، بلکه میزان همگرایی مدلهای یادگیری را افزایش می دهد.