基于深度强化学习的联邦自监督学习在集成感知与通信支持下的车辆边缘计算中的任务卸载与资源分配
内容提要
本文提出了一种数字孪生辅助的任务卸载框架，旨在优化移动边缘计算策略，以平衡延迟、能耗和成本。研究结合边缘计算和联邦学习，利用深度强化学习提高车辆选择和模型聚合的准确性。通过元学习方法和图神经网络，优化车辆的边缘计算性能，解决通信质量问题，并提出新型自监督学习算法，以提升学习效率和系统性能。
延伸解读
技术演进脉络：从异步联邦到自监督学习
文章梳理了2021年至2024年的研究进展，显示该领域从早期数字孪生辅助卸载，逐步引入异步联邦学习与深度强化学习，再到元学习、分割联邦学习、车辆联邦学习，最终发展到结合自监督学习与运动模糊抗性。这一脉络反映了对通信效率、移动性和数据标注成本等挑战的持续回应，也表明联邦学习与边缘计算的融合正不断深化。
关键性能提升：准确度与误差的量化改进
文中提到，所提出的车辆联邦学习算法在CIFAR-10图像分类任务上比现有基准提高了3.18%的准确度，并在Argoverse轨迹预测数据集上降低了10.21%的平均位移误差。这些数据为评估算法效果提供了具体参照，也说明优化V2V通信和资源分配对提升模型性能具有实际意义。
可重构智能表面与深度强化学习的结合
针对建筑物遮挡导致的通信链路恶化问题，文章引入可重构智能表面（RIS），并设计深度强化学习框架联合优化本地执行功率、卸载功率和RIS相移。仿真结果显示，该方案优于集中式DDPG、TD3及随机方案，表明RIS辅助与多智能体强化学习的结合能有效提升车辆边缘计算系统的性能。
自监督学习应对标注与隐私挑战
文章提出FLSimCo和BFSSL两种联邦自监督学习方法，分别利用图像模糊程度和运动模糊抗性，在无需标签的情况下进行预训练，并结合深度强化学习优化资源分配。这为解决车载环境中数据标注成本高和隐私泄露问题提供了新思路，实验表明其具有快速稳定的收敛性，并能降低能耗和延迟。
Q&A
数字孪生辅助的任务卸载框架有什么作用？
该框架用于优化移动边缘计算卸载策略，平衡延迟、能耗和成本。
如何通过深度强化学习提高车辆选择的准确性？
通过将卸载调度过程建模为马尔可夫决策过程，并采用深度强化学习来模拟车辆选择问题。
什么是适应性分割联邦学习方案？
这是一种结合分割学习和联邦学习的方案，通过自适应分割模型并并行化训练，降低训练延迟并适应网络动态。
车辆联邦学习算法如何优化训练效率？
通过直接车对车（V2V）通信来增强训练效率，同时考虑能量限制和车辆的移动性问题。
可重构智能表面在车辆边缘计算中有什么作用？
可重构智能表面通过动态调整相移来提高车辆边缘计算系统的性能，解决通信链路质量问题。
运动模糊抗性联邦自监督学习方法的优势是什么？
该方法结合深度强化学习，能够有效减少能耗和延迟，同时提升模型聚合效果，保护隐私。
