边缘计算的特点使其具有广阔的军事应用前景。在边缘计算中引入联邦学习(federated learning,FL),考虑到物联网设备的资源有限,需要兼顾FL精度和设备能耗。提出了结合深度强化学习、联邦学习及自注意力机制的框架(DRL-FLSL)来实现选择...边缘计算的特点使其具有广阔的军事应用前景。在边缘计算中引入联邦学习(federated learning,FL),考虑到物联网设备的资源有限,需要兼顾FL精度和设备能耗。提出了结合深度强化学习、联邦学习及自注意力机制的框架(DRL-FLSL)来实现选择设备并为其分配资源,目标是平衡FL精度和设备的能耗。该框架引入LSTM(long short term memory)预测网络状态,并添加多头自注意力机制实现更精准的信息提取。仿真实验结果表明,DRL-FLSL具有较好的训练效果,能够有效平衡FL精度和设备能耗。展开更多
文摘边缘计算的特点使其具有广阔的军事应用前景。在边缘计算中引入联邦学习(federated learning,FL),考虑到物联网设备的资源有限,需要兼顾FL精度和设备能耗。提出了结合深度强化学习、联邦学习及自注意力机制的框架(DRL-FLSL)来实现选择设备并为其分配资源,目标是平衡FL精度和设备的能耗。该框架引入LSTM(long short term memory)预测网络状态,并添加多头自注意力机制实现更精准的信息提取。仿真实验结果表明,DRL-FLSL具有较好的训练效果,能够有效平衡FL精度和设备能耗。
