On over-the-air federated learning over wireless channels withenergy harvesting and heterogeneous data distribution

Makine öğrenmesine (ML) olan ilginin giderek artmasıyla birlikte, federe öğrenme (FL), merkezi olmayan uç cihazlar arasında hem yüksek kaliteli modellerin iş birliği içinde eğitilmesini sağlayan, hem de sunucu tarafındaki kullanıcı verisinin erişimini en aza indiren ve kullanıcı gizliliğini koruyan bir paradigma olarak ortaya çıkmıştır. FL'de, birden fazla mobile cihaz (MD), bir parametre sunucusunun (PS) koordinasyonunda global bir modeli iş birliği içinde eğitmek için kullanılır; cihazlar, küresel eğitimi gerçekleştirmek amacıyla yerel verilerini kullanarak stokastik gradyan inişi (SGD) güncellemeleri yapar. Kablosuz kanallar üzerinden FL ve bunun pratik uygulamaları üzerine kapsamlı araştırmalar yapılmış olsa da, yüksek derecede heterojen sistemler için özel olarak geliştirilmiş çözümler geliştirme ve bu sistemleri inceleme ihtiyacı hâlâ açık bir araştırma alanı olarak durmaktadır. Bu tez, bu tür heterojen ortamlarda kablosuz kanallar üzerinden gerçekleştirilen havadan beslemeli (OTA) FL için stratejiler geliştirmeyi ve çözüm önerileri sunmayı amaçlamaktadır. Tezin ilk bölümünde, enerji hasatı yapan mobil cihazlarla gerçekleştirilen OTA FL için kullanıcı seçimi stratejilerine odaklanılmıştır. Veri dağılımı özelliklerine ve buna bağlı olarak kullanıcıların ilettikleri güncellemelere dayalı bir kullanıcı seçimi paradigması izlenmiştir. Buradaki temel amaç, öğrenme performansını artırmak ve sınırlı şekilde hasat edilen enerjinin daha verimli kullanılmasını sağlamaktır. Kullanıcıların veri dağımlarının sunucu tarafından bilinip bilinmemesine bağlı olarak iki farklı kullanıcı seçimi yaklaşımı geliştirilmiştir. Önerilen OTA FL yapısının yakınsama analizi teorik olarak sunulmuş ve deneysel sonuçlarla desteklenmiştir. Elde edilen sonuçlar, kullanıcı özelliklerine dayalı seçim stratejilerinin global öğrenme performansını anlamlı ölçüde artırabileceğini ve sistemdeki bilgi tekrarını azaltabileceğini göstermektedir. Tezin ikinci bölümünde, enerji hasadı yapan mobil cihazlar için özelleştirilmiş global modelleri hedefleyen, OTA FL yapısında kümelenmiş federe öğrenme (CFL) yaklaşımları incelenmiştir. Bu bölümde, kullanıcıların doğal bir şekilde çeşitli kümelere ayrıldığını varsayıyoruz; örneğin, her bir küme belirli spor alanlarına ilgi duyan bireylerden oluşabilir. Kullanıcılar arasındaki yüksek heterojenlik ve enerji hasadı nedeniyle ortaya çıkan stokastik uygunluktan kaynaklanabilecek suboptimal model performansını önlemek amacıyla, farklı kümelere özel daha spesifik global modelleri aynı anda havadan iletim ile sunmayı hedefliyoruz. Sunucu tarafında, mevcut kanal durumu bilgisi (CSI) seviyesine bağlı olarak özel olarak tasarlanmış farklı birleştirme yöntemleri öneriyoruz. Sayısal sonuçlar, yeterli sayıda alıcı anteniyle birden fazla kümeden eşzamanlı güncelleme iletiminin desteklenebileceğini ve daha özelleştirilmiş, yüksek performanslı global modellerin elde edilebileceğini göstermektedir.