Communication-Efficient Federated Learning for Large-Scale Multiagent Systems in ISAC: Data Augmentation With Reinforcement Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Integrated sensing and communication (ISAC) has attracted great attention with the gains of spectrum efficiency and deployment costs through the coexistence of sensing and communication functions. Meanwhile, federated learning (FL) has great potential to apply to large-scale multiagent systems (LSMAS) in ISAC due to the attractive privacy protection mechanism. Nonindependent identically distribution (non-IID) is a fundamental challenge in FL and seriously affects the convergence performance. To deal with the non-IID issue in FL, a data augmentation optimization algorithm (DAOA) is proposed based on reinforcement learning (RL), where an augmented dataset is generated based on a generative adversarial network (GAN) and the local model parameters are inputted into a deep Q-network (DQN) to learn the optimal number of augmented data. Different from the existing works that only optimize the training performance, the number of augmented data is also considered to improve the sample efficiency in the article. In addition, to alleviate the high-dimensional input challenge in DQN and reduce the communication overhead in FL, a lightweight model is applied to the client based on deep separable convolution (DSC). Simulation results indicate that our proposed DAOA algorithm acquires considerable performance with significantly fewer augmented data, and the communication overhead is reduced greatly compared with benchmark algorithms.
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.
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 | 0,004 | 0,001 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,010 | 0,007 |
| 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 découle