Исследовательская группа разработала новый алгоритм, который обеспечивает высокую точность оценки и защиту конфиденциальности при низких вычислительных и коммуникационных затратах. Это исследование опубликовали в Intelligent Computing.
Новый алгоритм использует специально разработанную модель глубокого обучения для точной оценки и федеративную структуру обучения для модели, сохраняя при этом безопасность пользовательских данных и низкие накладные расходы. Он также включает схему мотивации пользователей для получения максимальной отдачи от вычислительных ресурсов.
Команда протестировала алгоритм в сети беспроводной связи, используя наборы данных локальных пользователей и наборы данных реальной среды. Тестирование на наборах данных локальных пользователей показало, что их метод более точен в оценке информации о состоянии канала по сравнению с некоторыми традиционными алгоритмами и алгоритмами глубокого обучения при различных соотношениях сигнал/шум, контрольных частотах и других условиях.
Тестирование в реалистичной среде дополнительно подтвердило эффективность алгоритма. Данные канала, используемые в тестировании, взяты из открытого набора данных мобильной связи.
Команда отметила, что их алгоритм имеет определенные ограничения. Сжатие модели и ее обучение с помощью неконтролируемых подходов являются возможными направлениями будущей работы. В будущем планируется исследовать федеративное обучение в динамичных, разнообразных сетях, где каждое устройство обладает разными ресурсами для выполнения встроенной проверки и выбора клиента.
Результаты показывают, что алгоритм превосходит три самые современные модели как в разреженных, так и в плотных сценариях, а разрыв в производительности больше в разреженном сценарии, где условия более изменчивы и сложны. Это означает, что модель, обученная с помощью федеративного обучения и с более высоким уровнем участия пользователей, является более надежной, адаптируемой и масштабируемой, чем эталонные модели, которые обучались централизованно.