Cooperation-Based Federated Learning and Communication Optimization Under Intermittent Device Participation in Industrial IoT
Notice bibliographique
Résumé
In this paper, we propose a novel cooperative relay-based resource and learning optimization (CRRLO) scheme that extends device connectivity, balances learning contributions, and coordinates communication resources to mitigate the negative impact of intermittent participation on FL performance caused by unreliable communication in Industrial Internet of Things (IIoT) environments. After local training, a cooperative aggregation stage is proposed, where fully connected device-to-device (D2D) relaying enables devices with failed device-to-server (D2S) transmissions to still contribute to the global model, while avoiding the transmission burden and relay selection issues associated with single-relay strategies. To further ensure unbiased aggregation, we produce reliability-driven aggregation weights to calibrate each device’s contribution to the global update. We then formulate a joint optimization problem aimed at improving FL convergence rate under communication and resource constraints by co-optimizing blocklength, transmission power, and aggregation weights. An iterative algorithm is designed to determine blocklength bounds, a low-complexity method is developed for power optimization, and a convex relaxation approach is adopted for weight adjustment. These subproblems are alternately solved using a block coordinate descent (BCD) method. Simulation results demonstrate that the proposed CRRLO scheme significantly accelerates convergence and improves test accuracy by up to 24.33% compared to baseline schemes under high transmission error probability.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».