[论文解读] Federated Echo State Learning for Minimizing Breaks in Presence in Wireless Virtual Reality Networks

Mingzhe Chen, Omid Semiari+3 more|arXiv (Cornell University)|Dec 4, 2018

Image and Video Quality Assessment参考文献 34被引用 7

一句话总结

本文提出了一种联邦回声状态网络（FedESN）框架，通过联合预测用户位置、方向和基站（BS）关联关系，利用分布式学习最小化无线虚拟现实（VR）用户的存在感中断（BIP）。与集中式深度学习相比，该方法将BIP降低了最多26%，利用联邦学习避免了数据集中化和延迟，同时在毫米波VR网络中保持了隐私性和可扩展性。

ABSTRACT

In this paper, the problem of enhancing the virtual reality (VR) experience for wireless users is investigated by minimizing the occurrence of breaks in presence (BIP) that can detach the users from their virtual world. To measure the BIP for wireless VR users, a novel model that jointly considers the VR application type, transmission delay, VR video quality, and users' awareness of the virtual environment is proposed. In the developed model, the base stations (BSs) transmit VR videos to the wireless VR users using directional transmission links so as to provide high data rates for the VR users, thus, reducing the number of BIP for each user. Since the body movements of a VR user may result in a blockage of its wireless link, the location and orientation of VR users must also be considered when minimizing BIP. The BIP minimization problem is formulated as an optimization problem which jointly considers the predictions of users' locations, orientations, and their BS association. To predict the orientation and locations of VR users, a distributed learning algorithm based on the machine learning framework of deep (ESNs) is proposed. The proposed algorithm uses concept from federated learning to enable multiple BSs to locally train their deep ESNs using their collected data and cooperatively build a learning model to predict the entire users' locations and orientations. Using these predictions, the user association policy that minimizes BIP is derived. Simulation results demonstrate that the developed algorithm reduces the users' BIP by up to 16% and 26%, respectively, compared to centralized ESN and deep learning algorithms.

研究动机与目标

• 为解决由于链路阻塞、传输延迟和用户移动性导致的无线虚拟现实（VR）中存在感中断（BIP）的挑战。
• 联合建模VR应用类型、视频质量、传输延迟和用户意识，以实现对BIP的准确预测。
• 开发一种分布式学习框架，使基站（BS）能够协作训练用户移动性预测器，而无需共享原始数据。
• 通过利用联邦回声状态网络（FedESN）的预测结果，优化用户关联和波束管理，以最小化BIP。
• 通过在基站端实现低延迟、隐私保护的分布式推理，克服集中式学习在实时VR中的局限性。

提出的方法

• 提出一种新型BIP模型，整合VR应用类型、视频质量、传输延迟和用户意识，以量化存在感中断的程度。
• 在每个基站部署深度回声状态网络（ESN），利用本地数据预测用户位置和方向。
• 引入一种联邦学习框架，使基站能够在不共享原始用户数据的前提下，训练本地ESN模型并聚合全局模型更新。
• 推导出一种用户关联策略，通过利用联邦ESN的预测结果，主动将用户切换至最优基站，以最小化BIP。
• 通过ESN的记忆容量分析，验证模型捕捉用户移动模式中时间依赖关系的能力。
• 应用递归权重更新规则和基于协方差的输出加权方法，以确保长期预测的稳定性和准确性。

实验结果

研究问题

• RQ1 如何通过联合考虑网络级因素和用户特定的行为指标，对无线VR中的存在感中断（BIP）进行建模？
• RQ2 用户移动性和波束阻塞对基于毫米波的无线VR网络中BIP的影响是什么？
• RQ3 联邦学习能否有效用于在基站上训练分布式ESN，而无需集中用户数据？
• RQ4 联邦ESN在最小化VR用户BIP方面的性能与集中式深度学习相比如何？
• RQ5 从用户位置和方向的预测模型中推导出的最优用户关联策略是什么？

主要发现

• 所提出的联邦回声状态网络（FedESN）相比集中式ESN将BIP降低了最多16%，相比集中式深度学习降低了最多26%。
• 联邦学习框架在保护用户隐私的同时，实现了准确的用户移动性预测，并避免了高延迟的数据传输。
• ESN模型的记忆容量被解析推导，并表明其随输入特征数量和网络参数的增加而增长，确保了对时间依赖关系的稳健建模。
• 系统通过基于预测位置和方向主动将用户重新分配至最优基站，显著降低了BIP。
• 联邦方法由于训练延迟更低且在密集无线VR环境中可扩展性更强，因此优于集中式模型。
• BIP模型有效捕捉了网络性能（延迟、数据速率）与用户感知（意识）之间的相互作用，实现了整体优化。