مقاله چارچوب مبادله ISAC برای هوش مصنوعی: اکتساب و انتقال داده در یادگیری فدرال.
,

مقاله چارچوب مبادله ISAC برای هوش مصنوعی: اکتساب و انتقال داده در یادگیری فدرال.

تومان249,950

در این مقاله، چارچوبی برای تخصیص منابع در یادگیری فدرال (FL) در سیستم‌های یکپارچه حسگری و ارتباطی (ISAC) ارائه می‌دهیم. در این چارچوب، نه تنها قابلیت اطمینان انتقال مدل از طریق ارتباط، بلکه کیفیت اکتس…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000169 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چارچوب مبادله ISAC برای هوش مصنوعی: اکتساب و انتقال داده در یادگیری فدرال.

ISAC for AI: A Trade-off Framework Across Data Acquisition and Transfer in Federated Learning

نویسندگان: Lai Jiang, Kaitao Meng, Murat Temiz, Christos Masouros

شناسه منبع: arxiv / 2605.11915

دسته: Signal Processing

چکیده (فارسی)

در این مقاله، چارچوبی برای تخصیص منابع در یادگیری فدرال (FL) در سیستم‌های یکپارچه حسگری و ارتباطی (ISAC) ارائه می‌دهیم. در این چارچوب، نه تنها قابلیت اطمینان انتقال مدل از طریق ارتباط، بلکه کیفیت اکتساب داده از طریق حسگری را نیز در اولویت قرار می‌دهیم. برخلاف کارهای موجود که فرض می‌کنند داده‌های آموزشی از قبل جمع‌آوری شده‌اند یا صرفاً یک آستانه ثابت نسبت سیگنال به نویز (SNR) حسگری را برای نشان دادن کیفیت داده اعمال می‌کنند، ما رابطه بین کیفیت داده حسگری (اندازه‌گیری شده با SNR حسگری)، اندازه مجموعه داده و قابلیت اطمینان آپلود در آموزش FL را به صراحت مشخص می‌کنیم. سپس از این رابطه برای تخصیص منابع بین حسگری و ارتباط تحت یک بودجه انرژی مشترک استفاده می‌کنیم. این امر به دلیل وابستگی پیچیده بین کیفیت داده حسگری، قابلیت اطمینان انتقال و تخصیص منابع ارتباطی، چالش‌برانگیز است. با این حال، این رویکرد امکان یک چارچوب بهینه‌سازی مشترک اصولی را فراهم می‌کند که مستقیماً عملکرد یادگیری را بهبود می‌بخشد. به طور خاص، ما یک کران بالای همگرایی بسته استخراج می‌کنیم که تأثیر مشترک این عوامل را بر شکاف بهینگی FL کمی می‌کند. با استفاده از این کران بالا، مسئله بهینه‌سازی اصلی که قابل حل نیست، می‌تواند به یک مسئله قابل حل تخصیص منابع تبدیل شود که توان ارسالی حسگری، تعداد عکس‌های حسگری و توان ارسالی ارتباطی را در هر دستگاه، با رعایت محدودیت‌های بودجه انرژی فردی، به طور مشترک بهینه می‌کند. برای حل مسئله بازتدوین شده، ما یک الگوریتم بهینه‌سازی دو لایه با پیچیدگی خطی پیشنهاد می‌کنیم، که در آن لایه بیرونی از جستجوی مقطع طلایی استفاده می‌کند و لایه درونی زیرمسائل هر دستگاه را با راه‌حل‌های بسته حل می‌کند.

Abstract (English)

In this paper, we propose a resource allocation framework for federated learning (FL) in integrated sensing and communication (ISAC) systems, where we consider not only the reliability of model transfer through communication, but also the quality of data acquisition through sensing in the first place. Unlike existing works that assume training data is pre-collected or only impose a fixed sensing signal-to-noise ratio (SNR) threshold to reflect data quality, we explicitly characterize the relationship between sensing data quality (measured by sensing SNR), dataset size, and the upload reliability in FL training, and exploit this relationship to allocate resources between sensing and communication under a shared energy budget. This is non-trivial due to the intricate coupling among sensing data quality, transmission reliability, and communication resource allocation; nevertheless, it enables a principled joint optimization framework that directly enhances learning performance. Specifically, we derive a closed-form convergence upper bound that quantifies the joint impact of these factors on the FL optimality gap. Utilizing this upper bound, the original intractable optimization problem can be reformulated into a tractable resource allocation problem that jointly optimizes the sensing transmit power, number of sensing snapshots, and communication transmit power at each device subject to individual energy budget constraints. To solve the reformulated problem, we propose a two-layer optimization algorithm with linear complexity, where the outer layer employs golden section search and the inner layer solves per-device subproblems with closed-form solutions.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله چارچوب مبادله ISAC برای هوش مصنوعی: اکتساب و انتقال داده در یادگیری فدرال.”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا