Dezentrales, faires Multi-Task-Federated-Learning verbessert VR-Netzwerke

Die drahtlose Verbindung verspricht, virtuelle Realität (VR) von überall und jederzeit zugänglich zu machen. Doch die Bereitstellung von nahtlosem, hochqualitativem VR-Video in Echtzeit stellt hohe Anforderungen an die Qualität, niedrige Latenz und begrenzte Rechenleistung der Geräte.

In einer neuen Studie wird ein dezentrales Multi-Task-Fair-Federated-Learning (DMTFL) vorgestellt, das gezielt das Feld des Blicks (FOV) jedes VR-Benutzers an Basisstationen (BS) zwischenspeichert und vorab lädt. Durch die individuelle Anpassung der Caching-Strategien an jede BS kann das System die heterogene Nutzerbasis besser bedienen.

Der Ansatz vermeidet die Verzerrungen, die bei herkömmlichem Federated Learning auftreten, indem er anstelle eines einzigen globalen Modells lokale Caching-Modelle lernt. Diese Modelle sind so optimiert, dass sie unter jeder Zielverteilung gute Leistungen erbringen, und werden durch theoretische Garantien wie Rademacher-Komplexität und PAC-Bound unterstützt.

Simulationen mit realen VR-Head-Tracking-Daten zeigen, dass DMTFL die Leistung gegenüber bestehenden Algorithmen deutlich steigert. Damit eröffnet die Methode neue Möglichkeiten für flüssige, personalisierte VR-Erlebnisse in drahtlosen Netzwerken.