ترجمه فارسی مقاله یادگیری فدرال غیرمتمرکز مبتنی بر همپوشانی در شبکه‌های با پهنای باند محدود

چکیده

The emerging machine learning paradigm of decentralized federated learning (DFL) has the promise of greatly boosting the deployment of artificial intelligence (AI) by directly learning across distributed agents without centralized coordination. Despite significant efforts on improving the communication efficiency of DFL, most existing solutions were based on the simplistic assumption that neighboring agents are physically adjacent in the underlying communication network, which fails to correctly capture the communication cost when learning over a general bandwidth-limited network, as encountered in many edge networks. In this work, we address this gap by leveraging recent advances in network tomography to jointly design the communication demands and the communication schedule for overlay-based DFL in bandwidth-limited networks without requiring explicit cooperation from the underlying network. By carefully analyzing the structure of our problem, we decompose it into a series of optimization problems that can each be solved efficiently, to collectively minimize the total training time. Extensive data-driven simulations show that our solution can significantly accelerate DFL in comparison with state-of-the-art designs.

چکیده به فارسی (ترجمه ماشینی)

الگوی یادگیری ماشین نوظهور از یادگیری فدرال غیر متمرکز (DFL) این نوید را دارد که با یادگیری مستقیم در بین عوامل توزیع شده و بدون هماهنگی متمرکز ، به شدت تقویت اطلاعات مصنوعی (AI) را تقویت کند.علیرغم تلاش های چشمگیر برای بهبود کارآیی ارتباطی DFL ، بیشتر راه حل های موجود مبتنی بر این فرض ساده است که عوامل همسایه از نظر جسمی در شبکه ارتباطی اساسی مجاور هستند ، که نتوانسته است به درستی هزینه ارتباطات را هنگام یادگیری از طریق یک شبکه پهنای باند عمومی ، ضبط کند.همانطور که در بسیاری از شبکه های لبه مشاهده می شود.در این کار ، ما با استفاده از پیشرفت های اخیر در توموگرافی شبکه برای طراحی مشترک خواسته های ارتباطی و برنامه ارتباطی برای DFL مبتنی بر پوشش در شبکه های محدود پهنای باند بدون نیاز به همکاری صریح از شبکه اساسی ، به این شکاف می پردازیم.با تجزیه و تحلیل دقیق ساختار مشکل ما ، ما آن را در یک سری از مشکلات بهینه سازی که هر یک می توانند به طور کارآمد حل شوند ، تجزیه می کنیم تا به طور جمعی زمان کل آموزش را به حداقل برسانیم.شبیه سازی های گسترده داده محور نشان می دهد که راه حل ما می تواند DFL را در مقایسه با طرح های پیشرفته به طور قابل توجهی تسریع کند.