Federated Learning Over Fully-Decoupled RAN Architecture for Two-Tier Computing Acceleration
Notice bibliographique
Résumé
Two-tier computing paradigm that takes full advantage of both the end-user and the cloud computation capabilities has emerged as a promising way to deal with computationally-intensive tasks in the next generation wireless networks. For promoting the integration of the two-tier computing, federated learning (FL) provides an effective framework to enable the collaboration between the end-user and the cloud. However, the key performance metric, i.e., FL training latency, will be severely affected by the worst wireless link quality in both uplink and downlink. In this paper, aiming at accelerating the FL enabled end-cloud two-tier computing over the wireless networks, we introduce the uplink and downlink fully-decoupled radio access network (FD-RAN) architecture to enhance the minimum wireless link rate via multiple base stations (BSs) access collaboration and power management solution. First, the Lagrange dual decomposition and the binary variable relaxation methods are leveraged to obtain an optimal multiple BS access scheme for the enhancement of minimum uplink and downlink SINR. Subsequently, we exploit the successive convex approximation (SCA) algorithm to deal with the uplink power control and downlink power allocation with a proved data rate lower bound. Furthermore, considering the dynamic channel realizations, a stochastic optimization technique with a convex surrogate function is utilized to find the best end-cloud two-tier computing scheme for FL applications. Simulation results have demonstrated the effectiveness of our proposed joint multiple access collaboration and power management solution over FD-RAN for achieving a faster FL enabled two-tier computing task.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».