Aprendizado Federado em Redes IoT sem Fio: Novo Algoritmo para a Seleção de Dispositivos e Alocação dos Recursos de Comunicação

• Renan R. de Oliveira UFG / IFG
• Rogério S. e Silva UFG / IFG
• Leandro A. Freitas IFG
• Antonio Oliveira-Jr UFG / Fraunhofer Portugal AICOS

DOI: https://doi.org/10.5753/sbrc.2024.1267

Resumo

O Aprendizado Federado (Federated Learning - FL) permite que dispositivos treinem um modelo global de aprendizado de máquina sem compartilhar dados. No contexto das redes sem fio, os recursos limitados e a natureza não confiável inerente ao meio de transmissão introduzem atrasos e erros que comprometem a regularidade da atualização do modelo global. Dessa forma, este trabalho propõe um novo algoritmo de FL denominado DFed-w_Opt que considera tanto os requisitos do treinamento federado quanto de uma rede sem fio no âmbito da Internet das Coisas. Para minimizar a função de perda, DFed-w_Opt seleciona um subconjunto de dispositivos com a maior quantidade de dados para o treinamento dos modelos locais. Em seguida, DFed-w_Opt maximiza a probabilidade de sucesso da transmissão dos modelos atendendo uma política de latência de comunicação e consumo energético. Os resultados da simulação mostram que DFed-w_Opt aumenta a quantidade de transmissões e a acurácia do modelo global em comparação com outras estratégias da literatura.

Referências

Amannejad, Y. (2020). Building and Evaluating Federated Models for Edge Computing. In 2020 16th International Conference on Network and Service Management (CNSM), pages 1–5.

Beutel, D. J., Topal, T., Mathur, A., Qiu, X., Parcollet, T., and Lane, N. D. (2020). Flower: A Friendly Federated Learning Research Framework. CoRR, abs/2007.14390.

Cao, X., Başar, T., Diggavi, S., Eldar, Y. C., Letaief, K. B., Poor, H. V., and Zhang, J. (2023). Communication-Efficient Distributed Learning: An Overview. IEEE Journal on Selected Areas in Communications, 41(4):851–873.

Chen, H., Huang, S., Zhang, D., Xiao, M., Skoglund, M., and Poor, H. V. (2022). Federated Learning Over Wireless IoT Networks With Optimized Communication and Resources. IEEE Internet of Things Journal, 9(17):16592–16605.

Chen, M., Yang, Z., Saad, W., Yin, C., Poor, H. V., and Cui, S. (2021). A Joint Learning and Communications Framework for Federated Learning Over Wireless Networks. IEEE Transactions on Wireless Communications, 20(1):269–283.

Cho, Y. J., Wang, J., and Joshi, G. (2020). Client Selection in Federated Learning: Convergence Analysis and Power-of-Choice Selection Strategies. CoRR, abs/2010.01243.

Li, Q., Wen, Z., Wu, Z., Hu, S., Wang, N., Li, Y., Liu, X., and He, B. (2021). A Survey on Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection. IEEE Transactions on Knowledge and Data Engineering, PP:1–1.

McMahan, H. B., Moore, E., Ramage, D., Hampson, S., and y Arcas, B. A. (2016). Communication-Efficient Learning of Deep Networks from Decentralized Data. arXiv.

Tran, N. H., Bao, W., Zomaya, A., Nguyen, M. N. H., and Hong, C. S. (2019). Federated Learning over Wireless Networks: Optimization Model Design and Analysis. In IEEE INFOCOM 2019 - IEEE Conference on Computer Communications, pages 1387–1395.

Yang, Z., Chen, M., Wong, K.-K., Poor, H. V., and Cui, S. (2022). Federated Learning for 6G: Applications, Challenges, and Opportunities. Engineering, 8:33–41.

Zhao, Y., Li, M., Lai, L., Suda, N., Civin, D., and Chandra, V. (2022). Federated Learning with Non-IID Data. arXiv.

Zhu, G., Wang, Y., and Huang, K. (2020). Broadband Analog Aggregation for Low-Latency Federated Edge Learning. IEEE Transactions on Wireless Communications, 19(1):491–506.