Joint Selection of Local Trainers and Resource Allocation for Federated Learning in Open RAN Intelligent Controllers
Notice bibliographique
Résumé
Recently, Federated Learning (FL) has been applied in various research domains specially because of its privacy preserving and decentralized approach of model training. However, very few FL applications have been developed for the Radio Access Network (RAN) due to the lack of efficient deployment models. Open RAN (O-RAN) promises a high standard of meeting 5G services through its disaggregated, hierarchical, and distributed network function processing framework. Moreover, it comes with built-in intelligent controllers to instill smart decision making ability into RAN. In this paper, we propose a framework named O-RANFed to deploy and optimize FL tasks in O-RAN to provide 5G slicing services. To improve the performance of FL we formulate a joint mathematical optimization model of local learners selection and resource allocation to perform model training in every iteration. We solve this non-convex problem using the decomposition method. First, we propose a slicing based and deadline aware client selection algorithm. Then, we solve the reduced resource allocation problem by using successive convex approximation (SCA) method. Our simulation results show the proposed model outperforms the state-of-the-art FL methods such as FedAvg and FedProx in terms of convergence, learning time, and resource costs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,007 | 0,019 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».