Resumen

El rápido crecimiento del Internet de las Cosas Médicas (IoMT, por sus siglas en inglés) ha llevado a la creación de una red de diagnóstico de salud en el hogar ubicua. La demanda excesiva de los pacientes conlleva a un alto costo, baja latencia y sobrecarga de comunicación. Sin embargo, en el proceso de actualización de parámetros, el costo de comunicación del sistema o red se vuelve muy grande debido a la iteración y a la participación de muchos colaboradores. Aunque la computación en el borde puede reducir la latencia hasta cierto punto, existen desafíos significativos para reducir aún más la latencia del sistema. El aprendizaje federado es un paradigma emergente que ha despertado gran interés recientemente en el ámbito académico e industrial. La idea básica es entrenar un modelo de aprendizaje automático globalmente óptimo entre todos los colaboradores participantes. En este documento, se propone un algoritmo de reducción de gradiente basado en la varianza aleatoria federada para disminuir el número de iter

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Crecimiento; Internet de las Cosas Médicas; Sobrecarga de comunicación; Computación en el borde; Aprendizaje federado; Modelo de aprendizaje automático
• Keywords:Growth; Internet of Medical Things; Communication overload; Edge computing; Federated learning; Machine learning model