Föderiertes Lernen (FL) ist ein vielversprechender Ansatz, der es mehreren Geräten ermöglicht, gemeinsam ein maschinelles Lernmodell über ein drahtloses IoT-Netzwerk zu trainieren. Es wahrt die Datenprivatsphäre, indem nur Modellaktualisierungen und nicht die Originaldaten bereitgestellt werden. Dennoch besteht die Hauptschwierigkeit darin, die am besten geeigneten Clients für jede Trainingsrunde auszuwählen, was durch Ressourcenbeschränkungen und die Qualität der Verbindung zwischen zentraler Einheit und Client, einschließlich Multiuser-Interferenz (MUI), beeinflusst wird. Bestehende FL-Knotenauswahlverfahren basieren entweder auf Einzelmetriken-Heuristiken (z. B. ausschließlich auf lokaler Modellgenauigkeit oder Verbindungsqualität) oder auf komplexen Reinforcement-Learning (RL)/AutoFL-Controllern, die unter drahtloser Interferenz schwer zu trainieren und zu analysieren sind. Dadurch entsteht eine Lücke für leichtgewichtige, analytisch handhabbare Verfahren, die Modellqualität und Verlässlichkeit der Verbindung in gestörten IoT-Netzwerken gemeinsam ausnutzen. In Anwesenheit von MUI bei jedem Gerät nutzt dieses Papier die Optimal Stopping Theorie (OST), um eine neuartige Online-Knotenauswahlstrategie zu entwickeln, die die lokale Modellgenauigkeit (LMA) und das empfangene Signal-Rausch-zu-Interferenz-Verhältnis (SINR) in einer einzigen Metrik mit einem anpassbaren Gewicht α kombiniert. Das System verlangt, dass LMA und SINR jeder ausgewählten Knoten bestimmte Schwellenwerte überschreiten. Die Wahrscheinlichkeit, mindestens m Knoten aus dem vorhandenen Satz auszuwählen, wird maximiert, indem eine umfassende Analyse zur Bestimmung des optimalen Parameters α durchgeführt wird, während eine ausführliche Diskussion über die Auswirkungen verschiedener Parameter auf die Effizienz des Systems bereitgestellt wird. Der vorgeschlagene OST-basierte Ansatz erreicht eine überlegene globale Modellgenauigkeit (GMA) und Konvergenz im Vergleich zu Basismethoden bei geringerer Systemkomplexität, wie durch semi-synthetische Experimente mit dem CRAWDAD kth/rss-Datensatz belegt.
Zarrouk et al. (Do,) untersuchten diese Fragestellung.