RL-UDHFL: Reinforcement Learning-Enhanced Utility-Driven Hierarchical Federated Learning for IoT
Notice bibliographique
Résumé
Decentralized Federated Learning (DFL) is recognized as a key paradigm for training models in resource-constrained, privacy-sensitive Internet of Things (IoT) environments. However, its real-world deployment is hindered by device heterogeneity, limited resources, and unpredictable node trustworthiness. To address these challenges, an innovative framework, namely Reinforcement Learning-driven Utility-based Decentralized Hierarchical Federated Learning (RL-UDHFL), is proposed, in which Reinforcement Learning (RL) is leveraged for adaptive optimization across three tiers: edge, coordination, and global aggregation. At the edge, participants are selected through an RL-Driven Participant Selection mechanism (RL-AUDPS), based on a utility function that accounts for computational resources, energy, data quality, and reputation. At the coordination level, self-tuning adaptive clustering is applied and a trust-aware gossip protocol is employed to enable robust inter-cluster communication. At the global level, reputation-based weighting is utilized and on-the-fly anomaly detection is performed to ensure model integrity. Through extensive simulations, it is demonstrated that RL-UDHFL achieves a model accuracy of 98%, surpassing hierarchical benchmarks such as HAFedRL (93.5%) and T-FedHA (92%). This superior performance is attributed to the framework’s capability to balance high accuracy, efficient resource utilization, and system reliability, thereby providing a scalable and robust blueprint for deploying sustainable and trustworthy learning systems in complex IoT applications.
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 | 0,004 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,030 | 0,038 |
| Intégrité de la recherche | 0,001 | 0,006 |
| 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 ».