आज की तेजी से परस्पर जुड़ी दुनिया में, उच्च गुणवत्ता वाला संचार पहले से कहीं अधिक महत्वपूर्ण हो गया है।संचार चैनलों की गतिशील स्थिति का सटीक अनुमान लगाना इसे प्राप्त करने में एक महत्वपूर्ण कारक है।हाल ही में, एक संयुक्त शोध टीम ने एक नया एल्गोरिदम डिज़ाइन किया है जो कम कम्प्यूटेशनल और संचार लागत के साथ उच्च स्तरीय अनुमान सटीकता और गोपनीयता सुरक्षा प्रदान करता है।में यह शोध प्रकाशित हुआ थाइंटेलिजेंट कंप्यूटिंग.
यहनया एल्गोरिदमसटीक अनुमान के लिए विशेष रूप से डिज़ाइन किए गए गहन शिक्षण मॉडल का उपयोग करता है और मॉडल को बनाए रखते हुए प्रशिक्षण के लिए एक फ़ेडरेटेड शिक्षण ढांचे का उपयोग करता हैउपयोगकर्ता का डेटासुरक्षित और ओवरहेड कम।इसमें कंप्यूटिंग संसाधनों से अधिकतम लाभ प्राप्त करने के लिए एक उपयोगकर्ता प्रेरणा योजना भी शामिल है।
टीम ने इसका परीक्षण कियाएल्गोरिदमएक वायरलेस मेंसंचारस्थानीय उपयोगकर्ता डेटासेट और यथार्थवादी पर्यावरण डेटासेट का उपयोग करके नेटवर्क।स्थानीय उपयोगकर्ता डेटासेट पर परीक्षण से पता चला कि कुछ पारंपरिक और की तुलना में चैनल स्थिति की जानकारी का अनुमान लगाने में उनकी विधि अधिक सटीक हैगहन शिक्षण एल्गोरिदमविभिन्न सिग्नल-टू-शोर अनुपात, पायलट आवृत्तियों और अन्य स्थितियों के तहत।
यथार्थवादी पर्यावरण परीक्षण ने एल्गोरिथम की प्रभावशीलता को और साबित कर दिया।परीक्षण में उपयोग किया गया चैनल डेटा मोबाइल संचार ओपन डेटासेट से है और इसमें विरल और सघन परिदृश्य शामिल हैं;विरल परिदृश्य में 10,000 मानचित्र होते हैं, प्रत्येक में पाँच बेस स्टेशन स्थान और 30 उपयोगकर्ता स्थान होते हैं, और सघन परिदृश्य में 100 मानचित्र होते हैं, प्रत्येक में एक बेस स्टेशन स्थान और 10,000 उपयोगकर्ता स्थान होते हैं।पूरी प्रक्रिया के दौरान सभी उपयोगकर्ताओं को स्थिर माना जाता है।
परिणाम बताते हैं कि एल्गोरिथ्म विरल और सघन दोनों परिदृश्यों में तीन अत्याधुनिक मॉडलों से बेहतर प्रदर्शन करता है, और विरल परिदृश्य में प्रदर्शन अंतर व्यापक है जहां स्थितियां अधिक परिवर्तनशील और जटिल हैं।इसका मतलब है कि फ़ेडरेटेड लर्निंग के माध्यम से और उच्च स्तर की उपयोगकर्ता भागीदारी के साथ प्रशिक्षित मॉडल बेंचमार्क मॉडल की तुलना में अधिक मजबूत, अनुकूलनीय और स्केलेबल है, जिन्हें केंद्रीकृत तरीके से प्रशिक्षित किया गया था।
फ़ेडरेटेड शिक्षण ढांचे में, प्रशिक्षण के लिए उपयोग किए जाने वाले संसाधन स्थानीय उपकरणों के होते हैं, जो केंद्रीय सर्वर के साथ कच्चे डेटा के बजाय मापदंडों का आदान-प्रदान करते हैं।यह कम्प्यूटेशनल और संचार लागत को कम करता है, उपयोगकर्ता डेटा गोपनीयता की रक्षा करता है, और बड़े जटिल संचार नेटवर्क के लिए उपयुक्त है, और इस प्रकार सटीकता-पहले, कम लचीले गहन शिक्षण मॉडल, जैसे कि, इस मामले में, एक जेनरेटिव प्रतिकूल नेटवर्क को पूरी तरह से पूरक करता है।
एक ठेठजनरेटिव प्रतिकूल नेटवर्कइसमें एक जनरेटर और एक विभेदक शामिल होता है: पहला वास्तविक दुनिया के डेटा का अनुमान लगाने के लिए नमूने बनाता है, और बाद वाला बेहतर परिणामों के लिए नमूनों को चुनौती देता है।टीम ने उनके संस्करण को दोहरे-यू-आकार में डिज़ाइन कियानेटवर्कनमूनाकरण के दौरान सूचना हानि से बचने के लिए और उच्च स्थिरता और स्थिरता के लिए विवेचक पर एक नियमितीकरण फ़ंक्शन जोड़ा गया।
टीम ने बताया कि उनके एल्गोरिदम की कुछ सीमाएँ हैं, जिनमें कई मॉडल पैरामीटर और लेबल किए गए डेटा पर निर्भरता शामिल है।मॉडल को संपीड़ित करना और उसे बिना पर्यवेक्षित दृष्टिकोण से प्रशिक्षित करना भविष्य के काम के लिए संभावित दिशा-निर्देश हैं।भविष्य में, वे गतिशील, विविध नेटवर्क में फ़ेडरेटेड लर्निंग का पता लगाने की योजना बनाते हैं जहां प्रत्येक डिवाइस के पास ऑनबोर्ड सत्यापन और क्लाइंट चयन करने के लिए अलग-अलग संसाधन होते हैं।
अधिक जानकारी:यियू गुओ एट अल, फ़ेडरेटेड जेनरेटिव-एडवर्सरियल-नेटवर्क-सक्षम चैनल अनुमान,इंटेलिजेंट कंप्यूटिंग(2023)।डीओआई: 10.34133/आईकंप्यूटिंग.0066
उद्धरण:अनुसंधान टीम बेहतर वायरलेस संचार के लिए गोपनीयता-सुरक्षा एल्गोरिदम डिजाइन करती है (2024, जनवरी 18)18 जनवरी 2024 को पुनः प्राप्तhttps://techxplore.com/news/2024-01-team-privacy-algorithm-wireless- communication.html से
यह दस्तावेज कॉपीराइट के अधीन है।निजी अध्ययन या अनुसंधान के उद्देश्य से किसी भी निष्पक्ष व्यवहार के अलावा, नहींलिखित अनुमति के बिना भाग को पुन: प्रस्तुत किया जा सकता है।सामग्री केवल सूचना के प्रयोजनों के लिए प्रदान की गई है।