ترجمه فارسی مقاله یادگیری فدرال به صورت آنلاین: Taming محدودیت های منابع در شبکه های بی سیم

چکیده

While FL is a widely popular distributed ML strategy that protects data privacy, time-varying wireless network parameters and heterogeneous system configurations of the wireless device pose significant challenges. Although the limited radio and computational resources of the network and the clients, respectively, are widely acknowledged, two critical yet often ignored aspects are (a) wireless devices can only dedicate a small chunk of their limited storage for the FL task and (b) new training samples may arrive in an online manner in many practical wireless applications. Therefore, we propose a new FL algorithm called OSAFL, specifically designed to learn tasks relevant to wireless applications under these practical considerations. Since it has long been proven that under extreme resource constraints, clients may perform an arbitrary number of local training steps, which may lead to client drift under statistically heterogeneous data distributions, we leverage normalized gradient similarities and exploit weighting clients’ updates based on optimized scores that facilitate the convergence rate of the proposed OSAFL algorithm. Our extensive simulation results on two different tasks — each with three different datasets — with four popular ML models validate the effectiveness of OSAFL compared to six existing state-of-the-art FL baselines.

چکیده به فارسی (ترجمه ماشینی)

در حالی که FL یک استراتژی ML توزیع شده بسیار محبوب است که از حریم خصوصی داده ها محافظت می کند ، پارامترهای شبکه بی سیم با زمان و تنظیمات سیستم ناهمگن از دستگاه بی سیم چالش های مهمی را ایجاد می کند.اگرچه رادیو و منابع محاسباتی محدود شبکه و مشتری به ترتیب به طور گسترده ای تصدیق می شوند ، دو جنبه مهم و در عین حال غالباً نادیده گرفته می شوند (الف) دستگاههای بی سیم فقط می توانند یک بخش کوچکی از ذخیره محدود خود را برای کار FL اختصاص دهند و (ب)نمونه های جدید آموزش ممکن است در بسیاری از برنامه های کاربردی بی سیم عملی به صورت آنلاین وارد شوند.بنابراین ، ما یک الگوریتم FL جدید به نام OSAFL را پیشنهاد می کنیم ، که به طور خاص برای یادگیری وظایف مربوط به برنامه های بی سیم تحت این ملاحظات عملی طراحی شده است.از آنجا که مدت هاست که تحت محدودیت منابع شدید ، مشتری ممکن است تعداد دلخواه از مراحل آموزش محلی را انجام دهند ، که ممکن است منجر به توزیع مشتری تحت توزیع داده های ناهمگن شود ، ما از شباهت های شیب نرمال استفاده می کنیم و از بروزرسانی های مشتری بر اساس نمرات بهینه شده بهره برداری می کنیم.که میزان همگرایی الگوریتم OSAFL پیشنهادی را تسهیل می کند.نتایج شبیه سازی گسترده ما در دو کار مختلف-هرکدام با سه مجموعه داده مختلف-با چهار مدل ML محبوب ، اثربخشی OSAFL را در مقایسه با شش پایه پیشرفته FL موجود تأیید می کند.