17、分布式边缘学习的隐私感知框架：FedSens解析

分布式边缘学习的隐私感知框架：FedSens解析

1. 引言

在分布式边缘学习中，设备选择的自底向上设计可能会受到边缘设备“短视”的影响，导致整体系统无法达到最优解。为了解决这个问题，我们提出了FedSens框架，它包含了独特的设计和策略，旨在提高模型性能并降低边缘设备的能耗。

2. 全球网络设计与EIDR模型

• 问题提出 ：传统的设备选择自底向上设计存在“短视”问题，每个设备的行动可能无法使整个系统达到最优。
• 解决方案 ：
  • 外在 - 内在奖励设计 ：每个设备不仅通过内在奖励优化自身目标，还通过外在奖励为全局模型的性能优化目标做出贡献。
  • EIDR模型 ：利用全球网络进一步解决边缘设备的“短视”问题。全球网络允许边缘设备相互共享学习到的策略。例如，一个处于特定状态（如60%正类，每次训练1W）并学习到应参与本地更新策略的设备，可以将该策略分享给尚未处于该状态的其他设备。

3. EIDR模型训练

EIDR模型的损失函数如下：
- 价值损失 ：
[L_{1i}=\sum_{t = 1}^{T}\sum_{s\in S_{i}^{t}}(R_{i}^{t}-V(s))^{2}]
- 策略损失 ：
[L_{2i}=\sum_{s\in S_{i