Εκπαίδευση και εφαρµογή κατανεµηµένων federated µοντέλων µηχανικής µάθησης σε συσκευές χαµηλής ισχύος και περιορισµένων πόρων για υπολογιστική στο άκρο
Loading...
Date
2025-10-17
Authors
Ανδριανόπουλος, Νίκος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η Ομοσπονδιακή Μάθηση (Federated Learning – FL) είναι μια κατανεμημένηπροσέγγιση μηχανικής μάθησης που επιτρέπει σε πολλούς πελάτες—όπως αισθητήρες, τερματικά σταθμών ή κινητές συσκευές—να εκπαιδεύσουν από κοινού ένα κοινό μοντέλο χωρίς να αποστέλλουν τα ακατέργαστα δεδομένα τους σε έναν κεντρικό διακομιστή. Αντίθετα, κάθε πελάτης υπολογίζει τοπικά τις ενημερώσεις του μοντέλου με βάση τα δικά του δεδομένα και κοινοποιεί μόνο τις παραμέτρους ή τα διανύσματαβαθμίδωσης (gradients). Αυτό επιτρέπει την προστασία της ιδιωτικότητας και ταυτόχρονα μειώνει την κατανάλωση εύρους ζώνης. Ωστόσο, τα παραδοσιακά συστήματα FL βασίζονται συχνά σε έναν πλήρως κεντρικοποιημένο διακομιστή για τον συντονισμό της επικοινωνίας και τη συγκέντρωση των ενημερώσεων από όλους τους πελάτες.Αυτό δημιουργεί πιθανά σημεία συμφόρησης, περιορισμούς στην κλιμάκωση και έναμοναδικό σημείο αποτυχίας—ζητήματα κρίσιμης σημασίας σε μεγάλα και δυναμικάπεριβάλλοντα όπως οι έξυπνες πόλεις.Για να αντιμετωπιστούν αυτές οι προκλήσεις, η παρούσα εργασία προτείνει μια μερικώς αποκεντρωμένη αρχιτεκτονική FL για συστήματα κοινής χρήσης ποδηλάτων σε αστικά περιβάλλοντα. Σε αντίθεση με τις πλήρως κεντρικοποιημένες ή πλήρωςομότιμες (peer-to-peer) προσεγγίσεις, η μεθοδολογία μας ομαδοποιεί τους πελάτεςσε σταθερές γειτονιές με βάση τη χωρική τους εγγύτητα.Μέσα σε κάθε γειτονιά, ένας προκαθορισμένος κόμβος-ηγέτης πραγματοποιεί τοπικήσυγκέντρωση των ενημερώσεων. Ένας ελαφρύς δρομολογητής (router) αναλαμβάνειστη συνέχεια τον συντονισμό της επικοινωνίας μεταξύ των ηγετών, ελαχιστοποιώντας την ανάγκη για συχνή παγκόσμια συγκέντρωση και μειώνοντας το συνολικό επικοινωνιακό κόστος.Αξιολογούμε το προτεινόμενο σύστημα χρησιμοποιώντας πραγματικά δεδομένα διαδρομών από το Citi Bike της Νέας Υόρκης, εμπλουτισμένα με μετεωρολογικές πληροφορίες. Σε σύγκριση με ένα κεντρικοποιημένο μοντέλο αναφοράς της ίδιας αρχιτεκτονικής, η ομοσπονδιακή προσέγγισή μας επιτυγχάνει μείωση του Μέσου Απόλυτου Σφάλματος (MAE) κατά 26.9%. Τα αποτελέσματα αυτά αναδεικνύουν την αποτελεσματικότητα της αρχιτεκτονικής FL βάσει γειτονιών στην ενίσχυση της προβλεπτικής ακρίβειας, καθώς και στη βελτίωση της κλιμακωσιμότητας και της αποδοτικότητας επικοινωνίας—παράγοντες κλειδιά για την εφαρμογή μηχανικής μάθησης σε έξυπνες πόλεις με περιορισμένους υπολογιστικούς πόρους.
Description
Keywords
Ομοσπονδιακή μάθηση, Ομότιμα συστήματα, Αποκεντρωμένα συστήματα, Τοπολογία επικοινωνίας, Νοημοσύνη στο άκρο, Έξυπνες πόλεις, Κοινόχρηστα ποδήλατα