机构名称：
¥ 1.0
摘要 - 毫米波和Terahertz网络中预测信号阻塞对于实现主动移交（PHO）和确保无缝连接至关重要。使用深度学习，多模式视觉和无线传感数据的现有方法主要取决于集中式的模型培训。尽管这些技术是有效的，但它们具有高度的成本，不足的带宽使用和延迟问题，这限制了其实时适用性。本文提出了一个语义意识的联合阻塞预测（SFBP）框架，利用轻巧的计算机视觉技术MobilenEtv3用于基于边缘的语义提取，降低了连接和计算成本。此外，我们引入了相似性驱动的联邦平均（SD-FEDAVG）机制，以增强模型聚合过程的鲁棒性，从而有效地减轻了噪声更新和对抗性攻击的影响。我们提出的SFBP框架达到了97.1％的阻塞预测准确性，与集中学习相比，与集中式学习相比，与集中的学习成本密切相匹配，而与没有语义提取的FL相比，沟通成本降低了88.75％，而沟通成本则达到57.87％。此外，与没有语义提取的FL相比，与集中学习相比，在设备上的推论相比将潜伏期降低23％，而FL相比有18％，从而改善了PHO的实时决策。此外，SD-FEDAVG机制在嘈杂条件下提高了预测准确性，从而直接通过将切换失败率降低7％来影响PHO。索引术语 - 毫计浪潮，联合学习，语义交流，阻塞预测，计算机视觉
语义意识的联合阻塞预测（SFBP）在视觉辅助下一代无线网络
主要关键词
相关文件推荐
