Hierarkisk federerad inlärning för 6G-kantberäkningar

Syfte och mål

När 6G-nätverk introducerar massiva IoT-distributioner och avancerade AI-drivna applikationer blir optimering av resursanvändning avgörande. I detta projekt utvecklar vi ett hierarkiskt federerat inlärningssystem som möjliggör sömlös integration och effektivt deltagande för en rad olika enheter med varierande resursbegränsningar. Detta kommer att tillåta enheter – från små IoT-sensorer till kraftfulla mobila enheter – att bidra meningsfullt till inlärningsprocessen.

Förväntade effekter och resultat

Vårt federerade inlärningssystem anpassar sig effektivt till en mängd enheter med varierande resurser, vilket förbättrar skalbarheten och effektiviteten i 6G edge computing. Vid projektets slut kommer vi att leverera demonstrationer och publikationer om det föreslagna systemet, inklusive skalbarhets- och effektivitetsanalyser. Projektet kommer att utnyttja tidigare outnyttjade beräkningsresurser, vilket i slutändan möjliggör utvecklingen av mer mångsidiga och intelligenta AI-lösningar inom 6G.

Planerat upplägg och genomförande

Vårt projekt föreslår först två metoder: “Device-centric clustering” och “Heterogeneous cluster model” för att hantera en mångsidig och omfattande mängd enheter med olika resursbegränsningar. Vi introducerar sedan en metod för “Dual-mode aggregation” som tar hänsyn till både 6G- och federerade inlärningsegenskaper för att optimera effektiviteten i träningen av maskininlärningsmodeller. Dessa metoder kommer att utvecklas parallellt och integreras i ett system för att maximera effektiviteten.