כתבה
arXiv cs.LG ·
שיטת למידה פדרטיבית מבוזרת מבוססת קלסטרינג לצורך תחזית תנועה אמינה ברשתות Wi-Fi מנוהלות
An Informativeness-based Clustered Federated Learning Method for Reliable Traffic Prediction in Managed Wi-Fi Networks
במאמר זה, נציגים שיטה חדשה לתחזית תנועה אמינה ברשתות Wi-Fi מנוהלות, המשתמשת בלמידה פדרטיבית מבוזרת. השיטה, המכונה CFL, מאפשרת לייצר מודלים AI שונים שמתחשבים בתכונות סטטיסטיות שונות של הנתונים של נקודות גישה (APs).
תקציר מקורי באנגליתarXiv:2607.26682v1 Announce Type: cross Abstract: Centrally-managed Wi-Fi solutions are increasingly leveraging Distributed Artificial Intelligence (AI) to predict key operational statistics of Access Points (APs) and proactively optimize network performance. In this context, Clustered Federated Learning (CFL) represents a fitting methodology, enabling the generation of multiple AI models that account for diverse statistical properties of the APs data distribution. However, identifying informative clusters for grouping APs models remains a significant challenge. In this paper, we address this problem by proposing a novel CFL tool integrating a two step clustering procedure. Initially, multiple clustering solutions are generated and filtered based on a minimum set of desired clustering crit
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית