无线通信网络中能效联邦学习的安全深度强化学习方法
原文中文，约500字，阅读约需2分钟。发表于：。面向新时代的人工智能 (AI) 网络，关注 AI 的环境影响引起了行业和学术界的关注。联邦学习 (FL) 作为一种关键的隐私保护的分散式 AI 技术已经出现。尽管目前在 FL 方面已经做了努力，但其环境影响仍是一个悬而未决的问题。为了实现 FL 过程的能量消耗最小化，我们提出了编排参与设备的计算和通信资源以同时保证模型的一定性能并最小化所需总能量的软演员批判深度强化学习 (DRL)...
本文讨论了联邦学习在人工智能网络中的环境影响问题。作者提出了一种基于深度强化学习的解决方案，通过编排计算和通信资源来降低总能量消耗。文章介绍了设备级同步方法和计算成本有效的FL环境，以进一步降低能量消耗和通信开销。评估结果显示，该方案在静态和动态环境下能够有效降低总能量消耗高达94%。
