FedAEB: Estrategia conjunta de selección de clientes y asignación de recursos basada en aprendizaje por refuerzo profundo para el aprendizaje federado heterogéneo

Recientemente, el aprendizaje federado (FL) se ha convertido en una prometedora tecnología de aprendizaje distribuido al entrenar de forma colaborativa modelos de aprendizaje compartidos en clientes. Sin embargo, debido a la heterogeneidad estadística de los clientes y a las diferencias en los recursos de computación y comunicación, la velocidad de convergencia y la precisión del FL pueden disminuir. El consumo de energía y el rendimiento de latencia de los clientes también pueden verse afectados. Para lograr un equilibrio flexible entre el rendimiento del modelo de FL, el consumo de energía general y la latencia, cumpliendo así con requisitos personalizados, proponemos un marco de FL basado en aprendizaje por refuerzo profundo denominado FedAEB. Este adopta un método de optimización dinámica basado en la red Soft Actor-Critic para la selección de clientes y la asignación de recursos, que puede adaptarse eficazmente a sistemas complejos y variables en el tiempo. Los factores de ponderación que equilibran las variables de optimización pueden ajustarse de manera flexible según las diferentes necesidades de la aplicación. Se han llevado a cabo numerosos experimentos en conjuntos de datos reconocidos y de última generación, demostrando que nuestro FedAEB supera al método de referencia en valores de recompensa, precisión de aprendizaje, consumo de energía y rendimiento de latencia.