Distributed Link Heterogeneity Exploitation for Attention-Weighted Robust Federated Learning in 6G Networks
Notice bibliographique
Résumé
The rapid evolution of wireless communications is paving the way for distributed computing, enabling pervasive intelligence in 6G networks through distributed machine learning particularly federated learning (FL). Despite the dramatically enhanced connectivity expected from 6G, imperfect or hetero-geneous communication links among distributed participating devices remain as a fundamental challenge for the performance improvement of FL. In overcoming the communication con-straint, existing solutions primarily focus on reducing communication overhead through techniques like FL model compression or sparsification. However, these approaches often ignore the impact of link heterogeneity among distributed devices on FL performance. To bridge this gap, we propose a heterogeneous link attention-weighted FL framework in 6G networks through the characterization of link heterogeneity and the design of an attention mechanism-driven model aggregation method. Specifically, leveraging prior knowledge about distributed communication links and their performance metrics such as latency, reliability, and data rate, the FL server calculates the joint performance dissimilarities among these links, thereby characterizing their heterogeneity relations as a binary probabilistic matrix. Sub-sequently, an attention mechanism is employed for FL model aggregation, where the generated attention weights represent the degree to which each link is influenced by other links. Therefore, the obtained global FL performance can be ensured. Experimental results further demonstrate that our proposed FL framework and model aggregation approach robustly handle FL under the impact of link heterogeneity and optimize the learning performance of FL.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».