针对边缘智能驱动的工业物联网中边缘服务提供商(Edge Service Providers,ESPs)资源时空分布不均对系统性能的影响,提出了一种数字孪生辅助边缘智能的联盟博弈资源优化方案。首先,在满足ESP带宽资源、计算资源和缓存资源限制条件,以及...针对边缘智能驱动的工业物联网中边缘服务提供商(Edge Service Providers,ESPs)资源时空分布不均对系统性能的影响,提出了一种数字孪生辅助边缘智能的联盟博弈资源优化方案。首先,在满足ESP带宽资源、计算资源和缓存资源限制条件,以及边缘智能应用最大可容忍时延等多重约束条件的前提下,通过建立基于可转移效用联盟博弈的边缘终端效用最大化主问题和ESP效用最大化子问题,来联合优化多维资源配置;其次,将上述两个问题合并转化为带有线性约束的凸优化问题;最后,基于交替迭代方法得到该等效优化问题的近似最优解。仿真结果表明,与纳什均衡、大联盟等典型基线方案相比,所提方法的资源利用率均有显著提升,且随着ESP数量的增加资源利用率提升度逐渐增加,所提方案更加适用于大规模边缘智能系统。展开更多
文摘纵向联邦学习(vertical federated learning,VFL)常用于高风险场景中的跨领域数据共享,用户需要理解并信任模型决策以推动模型应用。现有研究主要关注VFL中可解释性与隐私之间的权衡,未充分满足用户对模型建立信任及调优的需求。为此,提出了一种基于人在回路(human-in-the-loop,HITL)的纵向联邦学习解释方法(explainable vertical federated learning based on human-in-the-loop,XVFL-HITL),通过构建分布式HITL结构将用户反馈纳入VFL的基于Shapley值的解释方法中,利用各参与方的知识校正训练数据来提高模型性能。进一步,考虑到隐私问题,基于Shapley值的可加性原理,将非当前参与方的特征贡献值整合为一个整体展示,从而有效保护了各参与方的特征隐私。实验结果表明,在基准数据上,XVFL-HITL的解释结果具有有效性,并保护了用户的特征隐私;同时,XVFL-HITL对比VFL-Random和直接使用SHAP的VFL-Shapley进行特征选择的方法,模型准确率分别提高了约14%和11%。
文摘针对边缘智能驱动的工业物联网中边缘服务提供商(Edge Service Providers,ESPs)资源时空分布不均对系统性能的影响,提出了一种数字孪生辅助边缘智能的联盟博弈资源优化方案。首先,在满足ESP带宽资源、计算资源和缓存资源限制条件,以及边缘智能应用最大可容忍时延等多重约束条件的前提下,通过建立基于可转移效用联盟博弈的边缘终端效用最大化主问题和ESP效用最大化子问题,来联合优化多维资源配置;其次,将上述两个问题合并转化为带有线性约束的凸优化问题;最后,基于交替迭代方法得到该等效优化问题的近似最优解。仿真结果表明,与纳什均衡、大联盟等典型基线方案相比,所提方法的资源利用率均有显著提升,且随着ESP数量的增加资源利用率提升度逐渐增加,所提方案更加适用于大规模边缘智能系统。
