Semi-Supervised Federated Learning Over Heterogeneous Wireless IoT Edge Networks: Framework and Algorithms
Notice bibliographique
Résumé
Federated learning (FL) is a promising paradigm for future sixth-generation wireless systems to underpin network edge intelligence for smart cities applications. However, most of the data collected by the Internet of Things devices in such applications is unlabeled, necessitating the use of semi-supervised learning. Existing studies have introduced solutions to run semi-supervised FL; however, they overlooked the inherent critical impacts of the wireless characteristics at the network edge. We fill this gap by proposing novel solutions to run semi-supervised FL over wireless network edge, considering the limited computation and communication resources and deadline constraints and realizing that unlabeled data can be automatically labeled during the training rounds to improve the performance of the global model. The problem is first formulated as an optimization problem followed by a two-phase solution. In the first phase, we propose a bisection-based algorithm to find the transmit power and local processing speed that optimally fit the new injected labeled data. In the second phase, we propose three algorithms to control the local updates and injected samples that meet the deadline constraint. We analyze the performance of each algorithm concerning the tradeoffs between learning performance, training time, and total energy consumption. Targeting two applications in smart cities, human activity recognition and object detection, we conduct extensive simulations using realistic federated data sets under nonindependent and identically distributed settings. Numerical results show that the proposed algorithms effectively utilize unlabeled samples while accounting for the characteristics of wireless edge networks in smart cities.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,013 | 0,031 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».