التعلم المعزز العميق الموزع القائم على قياس التدرجات لتعلم مت federated المدعوم من الحوسبة الطرفية للسيارات

يمكن أن يحمي التعلم المعزز (FL) خصوصية السيارات في الحوسبة الطرفية للسيارات (VEC) إلى حد ما من خلال مشاركة التدرجات لنماذج السيارات المحلية بدلاً من البيانات المحلية. التدرجات لنماذج السيارات المحلية عادة ما تكون كبيرة لتطبيقات الذكاء الاصطناعي (AI) الخاصة بالسيارات، وبالتالي فإن نقل مثل هذه التدرجات الكبيرة سيسبب تأخيراً كبيراً في كل جولة. تم اقتراح قياس التدرجات كواحدة من الطرق الفعّالة لتقليل التأخير في كل جولة في VEC المدعوم بـ FL من خلال ضغط التدرجات وتقليل عدد البتات، أي مستوى القياس، لنقل التدرجات. إن اختيار مستوى القياس والعتبات يحدد خطأ القياس (QE)، مما يؤثر لاحقاً على دقة النموذج ووقت التدريب. لذلك، يصبح إجمالي وقت التدريب وQE مؤشرين رئيسيين لـ VEC المدعوم بـ FL. من الضروري تحسين إجمالي وقت التدريب وQE بشكل مشترك لـ VEC المدعوم بـ FL. ومع ذلك، فإن حالة القناة المتغيرة مع الزمن تسبب المزيد من التحديات لحل هذه المشكلة. في هذه المقالة، نقترح مخطط تخصيص مستوى القياس القائم على التعلم المعزز العميق (DRL) لتحسين المكافأة طويلة الأجل من حيث إجمالي وقت التدريب وQE. تحدد المحاكاة الواسعة العوامل المثلى بين إجمالي وقت التدريب وQE، وتظهر جدوى وفعالية المخطط المقترح.