Quantização de Gradiente Baseada em Aprendizado por Reforço Profundo Distribuído para Computação em Borda de Veículos Habilitada por Aprendizado Federado

O aprendizado federado (FL) pode proteger a privacidade dos veículos na computação em borda de veículos (VEC) até certo ponto, através do compartilhamento dos gradientes dos modelos locais dos veículos em vez dos dados locais. Os gradientes dos modelos locais dos veículos geralmente são grandes para as aplicações de inteligência artificial (IA) veicular, portanto, transmitir tais gradientes grandes causaria uma alta latência por rodada. A quantização de gradiente foi proposta como uma abordagem eficaz para reduzir a latência por rodada em VEC habilitada para FL, comprimindo gradientes e reduzindo o número de bits, ou seja, o nível de quantização, para transmitir gradientes. A seleção do nível de quantização e os limiares determinam o erro de quantização (QE), que afeta ainda mais a precisão do modelo e o tempo de treinamento. Para isso, o tempo total de treinamento e o QE se tornam duas métricas chave para o VEC habilitado para FL. É crítico otimizar conjuntamente o tempo total de treinamento e o QE para o VEC habilitado para FL. No entanto, a condição do canal que varia com o tempo traz mais desafios para resolver esse problema. Neste artigo, propomos um esquema de alocação de nível de quantização baseado em aprendizado por reforço profundo (DRL) distribuído para otimizar a recompensa de longo prazo em termos de tempo total de treinamento e QE. Simulações extensivas identificam os fatores de peso otimizados entre o tempo total de treinamento e o QE, e demonstram a viabilidade e a eficácia do esquema proposto.