ترجمه فارسی مقاله یک انتخاب مشتری چند ویژگی سبز برای یادگیری فدرال از طریق هوا: یک رویکرد بهینه ساز گرگ خاکستری

چکیده

Federated Learning (FL) has gained attention across various industries for its capability to train machine learning models without centralizing sensitive data. While this approach offers significant benefits such as privacy preservation and decreased communication overhead, it presents several challenges, including deployment complexity and interoperability issues, particularly in heterogeneous scenarios or resource-constrained environments. Over-the-air (OTA) FL was introduced to tackle these challenges by disseminating model updates without necessitating direct device-to-device connections or centralized servers. However, OTA-FL brought forth limitations associated with heightened energy consumption and network latency. In this paper, we propose a multi-attribute client selection framework employing the grey wolf optimizer (GWO) to strategically control the number of participants in each round and optimize the OTA-FL process while considering accuracy, energy, delay, reliability, and fairness constraints of participating devices. We evaluate the performance of our multi-attribute client selection approach in terms of model loss minimization, convergence time reduction, and energy efficiency. In our experimental evaluation, we assessed and compared the performance of our approach against the existing state-of-the-art methods. Our results demonstrate that the proposed GWO-based client selection outperforms these baselines across various metrics. Specifically, our approach achieves a notable reduction in model loss, accelerates convergence time, and enhances energy efficiency while maintaining high fairness and reliability indicators.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) به دلیل توانایی خود در آموزش مدلهای یادگیری ماشین بدون متمرکز کردن داده های حساس ، در صنایع مختلف مورد توجه قرار گرفته است.در حالی که این رویکرد مزایای قابل توجهی مانند حفظ حریم خصوصی و کاهش سربار ارتباطات را ارائه می دهد ، چندین چالش از جمله پیچیدگی استقرار و مسائل مربوط به قابلیت همکاری ، به ویژه در سناریوهای ناهمگن یا محیط های محدود شده از منابع را ارائه می دهد.FL بیش از هوا (OTA) برای مقابله با این چالش ها با انتشار به روزرسانی های مدل بدون نیاز به اتصالات مستقیم دستگاه به دستگاه یا سرورهای متمرکز معرفی شد.با این حال ، OTA-FL محدودیت های مرتبط با افزایش مصرف انرژی و تأخیر شبکه را به وجود آورد.در این مقاله ، ما یک چارچوب انتخاب مشتری چند سازنده با استفاده از بهینه ساز گرگ خاکستری (GWO) را برای کنترل استراتژیک تعداد شرکت کنندگان در هر دور پیشنهاد می کنیم و ضمن در نظر گرفتن دقت ، انرژی ، تأخیر ، قابلیت اطمینان و عدالت ، بهینه سازی فرایند OTA-FL را بهینه می کنیم.محدودیت دستگاه های شرکت کننده.ما عملکرد رویکرد انتخاب مشتری را از نظر به حداقل رساندن از دست دادن مدل ، کاهش زمان همگرایی و بهره وری انرژی ارزیابی می کنیم.در ارزیابی تجربی خود ، ما عملکرد رویکرد خود را در برابر روشهای پیشرفته موجود ارزیابی و مقایسه کردیم.نتایج ما نشان می دهد که انتخاب مشتری مبتنی بر GWO پیشنهادی از این خطوط در معیارهای مختلف بهتر است.به طور خاص ، رویکرد ما به کاهش چشمگیر در از دست دادن مدل ، سرعت همگرایی را تسریع می کند و ضمن حفظ انصاف و شاخص های قابلیت اطمینان بالا ، بهره وری انرژی را افزایش می دهد.