U današnjem sve više međusobno povezanom svetu, visokokvalitetna komunikacija postala je važnija nego ikada. Tačna procena dinamičkog statusa komunikacionih kanala je ključni faktor u postizanju ovoga. Nedavno je zajednički istraživački tim dizajnirao novi algoritam koji nudi visoku tačnost procene i zaštitu privatnosti uz niske troškove računara i komunikacije. Ovo istraživanje je objavljeno u Intelligent Computing.
Ovaj novi algoritam koristi specijalno dizajnirani model dubokog učenja za preciznu procenu i udruženi okvir učenja za obuku modela dok održava korisničke podatke bezbednim i malim troškovima. Takođe uključuje šemu motivacije korisnika da izvuče maksimum iz računarskih resursa.
Tim je testirao algoritam u bežičnoj komunikacionoj mreži koristeći lokalne korisničke skupove podataka i skupove podataka realnog okruženja. Test na lokalnim skupovima podataka korisnika pokazao je da je njihov metod precizniji u proceni informacija o stanju kanala u poređenju sa nekim tradicionalnim algoritmima i algoritmima dubokog učenja pod različitim odnosima signal-šum, pilot frekvencijama i drugim uslovima.
Test realnog okruženja je dodatno dokazao efikasnost algoritma. Podaci kanala koji se koriste u testu su iz otvorenog skupa podataka za mobilne komunikacije i uključuju retke i guste scenarije; retki scenario sadrži 10.000 mapa, od kojih svaka sadrži pet lokacija baznih stanica i 30 korisničkih lokacija, a gusti scenario sadrži 100 mapa, od kojih svaka sadrži jednu lokaciju bazne stanice i 10.000 lokacija korisnika. Pretpostavlja se da su svi korisnici nepokretni tokom celog procesa.
Rezultati pokazuju da algoritam nadmašuje tri najsavremenija modela u retkim i gustim scenarijima, a jaz u performansama je veći u retkom scenariju gde su uslovi promenljiviji i složeniji. To znači da je model obučen kroz udruženo učenje i sa višim nivoom učešća korisnika robusniji, prilagodljiviji i skalabilniji od referentnih modela koji su obučeni na centralizovan način.
U okviru federalnog učenja, resursi koji se koriste za obuku su lokalni uređaji, koji razmenjuju parametre umesto sirovih podataka sa centralnim serverom. Ovo smanjuje računarske i komunikacione troškove, štiti privatnost korisničkih podataka i odgovara velikim složenim komunikacionim mrežama, i na taj način savršeno dopunjuje tačnost, manje fleksibilne modele dubokog učenja, kao što je, u ovom slučaju, generativna adversarna mreža.
Tipična generativna suparnička mreža sastoji se od generatora i diskriminatora: prvi kreira uzorke za aproksimaciju podataka iz stvarnog sveta, a drugi izaziva uzorke da postižu bolje rezultate. Tim je dizajnirao svoju verziju u mrežu u obliku slova U kako bi se izbegao gubitak informacija tokom uzorkovanja i dodao funkciju regularizacije na diskriminatoru za veću doslednost i stabilnost.
Tim je istakao da njihov algoritam ima određena ograničenja, uključujući brojne parametre modela i oslanjanje na označene podatke. Kompresija modela i obučavanje nenadgledanim pristupima mogući su pravci budućeg rada. U budućnosti planiraju da istraže udruženo učenje u dinamičnim, raznolikim mrežama gde svaki uređaj poseduje različite resurse za obavljanje verifikacije i odabira klijenata.
