Jun, 2022

基于聚类联邦学习的雾计算无线接入网络内容流行度预测

PDF
TL;DR本研究探讨了雾计算无线接入网络（F-RANs）中的内容流行度预测问题。通过聚类联合学习，提出了一种新的移动性感知流行度预测策略，该策略集成了针对本地用户和移动用户的内容流行度。借助双通道神经网络模型，结合本地用户和内容的隐藏特征，实现了对本地用户内容流行度的预测。同时借助用户偏好学习方法实现了对移动用户内容流行度的预测。通过聚类联合学习，提高了内容流行度预测性能。
fog radio access networkscontent popularity predictionclustered federated learningdual-channel neural network modeluser preference learning
发现论文，激发创造
  • 边缘隐私保护移动计算网络中的无监督循环联邦学习用于人气预测

    文章提出了一种无监督的隐私保护的流行度预测框架，涵盖了无线通信，移动边缘计算，工业物联网等内容，并介绍了本地和全局流行度的概念和每个用户的时间变化流行度建模方法。通过提出的 URFL 算法，使得预测精度显著提高了。

    Jul, 2022

  • Fog-RAN 中的缓存放置：从集中式到分布式算法

    本文研究了 Fog-RANs 中的缓存放置问题，并提出了中心化和分布式的缓存放置策略来最小化用户平均下载延迟，同时考虑了灵活的物理层传输方案和不同用户的内容偏好。通过利用缓存和合作增益，这些策略可以显著减少用户的平均下载延迟。

    Aug, 2017

  • 基于弹性联合多智能体深度强化学习的下一代网络中的协作边缘缓存

    提出一种基于弹性联邦和多代理深度强化学习的合作边缘缓存方案，通过训练个性化的本地模型、预测流行内容以及协作缓存，优化网络中的成本。实验结果表明，该方案优于现有基线缓存方案。

    Jan, 2024

  • 无线小区网络中的内容感知用户聚类和缓存

    本研究旨在优化小型基站中的内容缓存策略，提出了一种基于聚类与强化学习的方案，并在模拟中证明其相对于随机缓存和未聚类学习方案，能够最小化 42% 和 27% 的服务延迟，并获得 280% 和 90% 的更高卸载收益。

    Sep, 2014

  • F-RAN 中的计算卸载和资源分配：一种联邦深度强化学习方法

    本文提出了一种基于联邦深度强化学习的算法，用于解决在 F-RAN 中动态计算卸载和资源分配问题，通过联邦学习，可以在保护用户隐私的同时，降低训练过程的计算复杂度，结果表明，该算法相对于其他现有策略，可以更快地实现更低的任务执行延迟和设备端能耗。

    Jun, 2022

  • FedFog: 基于网络感知优化的无线雾云联合学习

    本文通过提出一种基于联邦平均的高效 FL（FedFog）算法，结合一种新型的面向网络的 FL 优化问题，提高了资源利用率并在保证学习精度的同时，通过采用用户聚合策略，缓解慢用户的影响，并减小了时间开销。对多项真实 FL 任务的数值结果进行了广泛的理论收敛验证和实际应用展示。

    Jul, 2021

  • 面向位置感知移动边缘缓存的内容流行度预测

    本文提出了一种基于位置定制的缓存方案，使用线性模型估计未来内容命中率，并以此为基础提出了求解最优缓存策略的不依赖于训练的在线算法，实现了自适应缓存决策并达到了与最优策略相当的命中率。

    Sep, 2018

  • 无线视频缓存网络中的资源感知分层联邦学习

    通过在无线视频缓存网络中的不同级别上存储待请求内容，可以缓解因少数热门文件的视频流量导致的回传链路拥塞问题。为了预测用户未来的内容请求，我们提出了一种新颖的资源感知的分层联邦学习（RawHFL）解决方案，使用实践中的资源限制以高效地训练 RawHFL 能源。通过权重实用函数的最小化来联合配置可控参数，我们的算法在测试准确性和能量成本方面优于现有基线模型。

    Feb, 2024

  • 无线网络中视频缓存的资源感知分层联邦学习

    该研究提出一个新颖的资源感知分层联邦学习（RawHFL）解决方案，旨在通过局部存储用户频繁请求的热门内容来预测用户未来的内容需求，在考虑到延迟、能量和无线资源限制的情况下，通过优化客户端选择和局部轮次以及中央处理单元（CPU）频率的方式来实现能效最大化，模拟结果表明该方案在预测准确性和总能量消耗方面明显优于其他考虑的基准方案。

    Nov, 2023

  • 通过无线计算进行联邦学习

    提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

    Dec, 2018