BriefGPT - AI 论文速递
·
利用联邦学习和边缘计算在云计算网络中进行推荐系统
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
边缘智能通过结合人工智能和边缘计算，在数据产生的地方进行处理，实现大规模和高效部署。分层联邦学习框架减少节点故障和设备退出。作者提出了一种具有联邦深度强化学习和联邦学习的分散式缓存算法。
🎯
关键要点
- 边缘智能结合人工智能和边缘计算，在数据产生地进行处理。
- 边缘智能实现人工智能的大规模和高效部署。
- 隐私保护的机器学习范式联邦学习（FL）允许数据所有者在不传输原始数据的情况下训练模型。
- 联邦学习网络涉及成千上万个异构分布式设备，通信效率是关键瓶颈。
- 提出分层联邦学习（HFL）框架以减少节点故障和设备退出。
- 集群领导者通过中间模型聚合支持数据所有者。
- 基于改进的边缘服务器资源利用，弥补缓存容量限制。
- 用户体验质量（QoE）被建模为综合系统成本。
- 提出具有联邦深度强化学习（DRL）和联邦学习（FL）的分散式缓存算法，多个代理独立学习并决策。
➡️
