预计机器学习(ML)将在5G边缘计算中发挥重要作用。各种研究已经证明ML非常适合于优化边缘计算系统,因为快速移动性和应用引起的变化发生在边缘。对于ML提供最佳解决方案,重要的是要连续地训练ML模型以包括变化的情景。改变情景(例如,5G基站故障)引起的数据分布的突然变化被称为概念漂移,是持续学习的主要挑战。 ML模型可以在漂移发生的同时呈现高误差率,并且仅在模型学习分布后才会减少错误。在分布式设置中,此问题更加明显,其中多个MAX模型用于不同的异构数据集,最终模型需要捕获所有概念漂移。在本文中,我们表明,在联合学习中使用注意(FL)是处理概念漂移的有效方式。我们使用5G网络流量数据集来模拟概念漂移并测试各种场景。结果表明,注意力可以显着提高FL的概念漂移处理能力。
translated by 谷歌翻译