Un equipo de investigación diseña un algoritmo de protección de la privacidad para una mejor comunicación inalámbrica

En el mundo cada vez más interconectado de hoy, la comunicación de alta calidad se ha vuelto más vital que nunca. Estimar con precisión el estado dinámico de los canales de comunicación es un factor clave para lograrlo. Recientemente, un equipo de investigación conjunto diseñó un nuevo algoritmo que ofrece precisión de estimación de alto nivel y protección de la privacidad con bajos costos computacionales y de comunicación. Esta investigación fue publicada en Computación inteligente.

Este nuevo algoritmo utiliza un modelo de aprendizaje profundo especialmente diseñado para una estimación precisa y un marco de aprendizaje federado para entrenar el modelo, manteniendo los datos del usuario seguros y con poca sobrecarga. También incluye un esquema de motivación del usuario para aprovechar al máximo los recursos informáticos.

El equipo probó el algoritmo en una red de comunicación inalámbrica utilizando conjuntos de datos de usuarios locales y conjuntos de datos ambientales realistas. Las pruebas en conjuntos de datos de usuarios locales demostraron que su método es más preciso para estimar la información del estado del canal en comparación con algunos algoritmos tradicionales y de aprendizaje profundo en diferentes relaciones señal-ruido, frecuencias piloto y otras condiciones.

Las pruebas en entornos realistas demostraron aún más la eficacia del algoritmo. Los datos del canal utilizados en la prueba provienen de un conjunto de datos de comunicaciones móviles abiertos e incluyen escenarios dispersos y densos; el escenario disperso contiene 10.000 mapas, cada uno con cinco ubicaciones de estaciones base y 30 ubicaciones de usuarios, y el escenario denso contiene 100 mapas, cada uno con una ubicación de estación base y 10.000 ubicaciones de usuarios. Todos los usuarios se consideran detenidos durante todo el proceso.

Los resultados muestran que el algoritmo supera a tres modelos de última generación en escenarios dispersos y densos, y la brecha de rendimiento es mayor en el escenario disperso donde las condiciones son más variables y complejas. Esto significa que el modelo entrenado mediante aprendizaje federado y con un mayor nivel de participación de los usuarios es más robusto, adaptable y escalable que los modelos de referencia, que fueron entrenados de forma centralizada.

En una estructura de aprendizaje federada, los recursos utilizados para la formación son los de dispositivos locales, que intercambian parámetros en lugar de datos sin procesar con el servidor central. Esto reduce los costos computacionales y de comunicación, protege la privacidad de los datos del usuario y se adapta a redes de comunicación grandes y complejas y, por lo tanto, complementa perfectamente los modelos de aprendizaje profundo menos flexibles y centrados en la precisión, como, en este caso, un adversario generativo de red.

Una red generativa adversaria típica consta de un generador y un discriminador: el primero crea muestras para aproximarse a los datos del mundo real y el segundo desafía las muestras para buscar mejores resultados. El equipo diseñó su versión en una red en forma de doble U para evitar la pérdida de información durante el muestreo y agregó una función de regularización en el discriminador para mayor consistencia y estabilidad.

El equipo señaló que su algoritmo tiene ciertas limitaciones, incluidos múltiples parámetros del modelo y dependencia de datos etiquetados. Comprimir el modelo y entrenarlo con enfoques no supervisados ​​son posibles direcciones para el trabajo futuro. En el futuro, planean explorar el aprendizaje federado en redes dinámicas y diversas, donde cada dispositivo tiene diferentes capacidades para realizar verificación integrada y selección de clientes.