SLM-FARL: Small Language Model Driven Federated Reinforcement Multi-Agentic Framework underlying 6G Edge Networks
Notice bibliographique
Résumé
Emerging sixth-generation (6G) edge networks demand intelligent, scalable, and privacy-preserving learning systems that support real-time decision-making and natural language-driven control. In addition to training, these systems must also support federated unlearning (FU), the ability to selectively remove user data without full model retraining. However, existing federated learning (FL) and FU frameworks lack adaptability, require manual hyperparameter tuning, and are ill-suited for dynamic, resource-constrained environments. To address these challenges, we propose SLM-FARL, a hierarchical multi-agent deep reinforcement learning (MARL) framework that integrates small language models (SLMs) with FL and FU processes for autonomous, privacy-compliant learning aligned with user-level data removal demands. We implement a customized MAPPO algorithm to enable stable and adaptive policy updates across distributed SLM agents, orchestrated by a central LLM controller that supports human-in-the-loop interaction. To ensure real-time responsiveness and deployment efficiency, we incorporate SLM optimization techniques such as quantization and knowledge distillation, reducing model size and latency while maintaining performance. The proposed framework is evaluated on the UCI Adult dataset using 120 clients and demonstrates up to 15.78% higher FL-FU accuracy compared to baseline methods. The MAPPO Loss decreased by 90.12% indicates highly effective MARL convergence and Policy Entropy drop by 84.31% shows it confident policy decisions. The KD demonstrated an overall 17.56% improved performance over other model compression techniques. Thus, these metrics affirms the robustness and adapt-ability of our proposed SLM-FARL framework.
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 | 0,002 |
| 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».