Ενιαία Κατανομή Πόρων και Επιλογή Δεδομένων με Βάση τη Σημαντικότητα σε Ασύρματα Δίκτυα NOMA Ομόσπονδης Μάθησης

Abstract

Η Ομόπονδη Μάθηση αποτελεί έναν κατανεμημένο αλγόριθμο Μηχανικής Μάθησης κατά τον οποίο οι συμμετέχοντες εκπαιδεύουν συλλογικά ένα νευρωνικό δίκτυο χωρίς να διαμοιράζουν τα τοπικά τους δεδομένα, αλλά αποστέλλοντας μόνο τις ανανεώσεις του μοντέλου κατά την εκπαίδευσή του σε αυτά. Αυτό αποτελεί λύση στα προβλήματα ιδιωτικότητας και χρονικής καθυστέρησης που θα παρουσίαζε η αποστολή των δεδομένων σε έναν εξυπηρετητή για κεντροποιημένη εκπαίδευση, όμως εγείρονται ζητήματα για την ενεργειακή αποδοτικότητα, εφόσον οι συμμετέχοντες εκτελόυν διεργασίες που περιέχουν αξιόλογο τόσο υπολογιστικό όσο και επικοινωνιακό φόρτο. Προς αυτήν την κατεύθυνση, καταφεύγουμε σε μεθόδους Κλασικής Βελτιστοποίησης για να διατυπώσουμε μεθοδολογίες και αλγορίθμους που επιλύουν αποδοτικά το πρόβλημα της ενεργειακά αποδοτικής ανάθεσης πόρων και επιλογής δεδομένων για την Ομόσπονδη Μάθηση, για τη μοντελοποίηση του οποίου θα αξιοποιήσουμε την μετρική της σημαντικότητας των δεδομένων που αποτελεί ένδειξη για την συνεισφορά του κάθε δείγματος στην μάθηση του μοντέλου.