Sélection de véhicule et optimisation des ressources pour l'apprentissage fédéré dans le calcul en périphérie véhiculaire

En tant que paradigme d'apprentissage profond distribué, l'apprentissage fédéré (FL) fournit un outil puissant pour le traitement exact et efficace des données à bord dans le calcul en périphérie véhiculaire (VEC). Cependant, le FL implique l'entraînement et la transmission des paramètres du modèle, ce qui consomme les précieuses ressources énergétiques des véhicules et prend beaucoup de temps. Cela constitue un éloignement de nombreuses applications avec des exigences en temps réel sévères dans le VEC. De plus, les capacités et la qualité des données de chaque véhicule sont distinctes et affecteront les performances de l'entraînement du modèle. Il est donc crucial de sélectionner les véhicules appropriés pour participer aux tâches d'apprentissage et d'optimiser l'allocation des ressources sous les contraintes de temps d'apprentissage et de consommation d'énergie. Dans cet article, en tenant compte de la position et de la vitesse des véhicules, nous formulons un problème d'optimisation min-max pour optimiser conjointement la capacité de calcul à bord, la puissance de transmission et la précision du modèle local afin d'atteindre le coût minimum dans le pire des cas de FL. Plus précisément, nous proposons un algorithme glouton pour sélectionner dynamiquement des véhicules avec une meilleure qualité d'image, tout en maintenant le coût global du système au minimum dans le FL. Le problème d'optimisation formulé est un problème de programmation non linéaire, nous le décomposons donc en deux sous-problèmes. Pour le problème d'allocation des ressources, nous utilisons le problème dual lagrangien et la méthode de projection par sous-gradient pour approximer progressivement la valeur optimale. Pour le problème de précision du modèle local, nous développons un algorithme d'harmonie adaptative pour la recherche heuristique. Les résultats de simulation montrent que nos algorithmes proposés ont une bonne convergence et efficacité et atteignent un compromis entre coût et équité.