基于动态 D2D 辅助的 O-RAN 联合学习:性能分析、MAC 调度器和非对称用户选择 原文约300字,阅读约需1分钟。发表于:2024-04-09T00:00:00Z。 该论文着重研究联邦学习中的动态系统动力学,包括动态无线信道容量和用户数据集的变化,通过引入协同联邦学习与专用 MAC 调度器,优化了用户选择和频谱分配,进而解决了一系列网络感知的联邦学习优化问题。 联邦学习是一种高效的分布式机器学习方法,通过用户端的迭代本地模型训练和中央服务器端的全局模型聚合,保护用户的隐私。研究者开发了一种用户调度和资源分配方法,以减小训练延迟。模拟结果表明,该算法相比基线算法具有更好的性能,用户移动可以提高训练性能。 mac 分布式机器学习 性能分析 用户调度 用户隐私 联邦学习 训练延迟