面向细�ular Massive MIMO 网络的能效高效联邦学习：自适应量化
机器学习
2024-12-31 v1
摘要
联邦学习（FL）通过共享学习参数而非本地数据来实现，从而降低通信开销。传统无线网络在 FL 中面临时延问题。相比之下，细�ular Massive MIMO（CFmMIMO）可在共享资源上服务多个客户，提高频谱效率并降低大规模 FL 的时延。然而，客户的通信资源限制可能阻碍 FL 训练的完成。为此，我们提出一种能效低时延 FL 框架， featuring 优化的上行功率分配以实现无缝客户-服务器协作。该框架采用自适应量化方案，动态调整局部梯度更新的位分配以降低通信成本。我们构建涵盖 FL 模型更新、局部迭代和功率分配的联合优化问题，并使用顺序二次规划（SQP）求解，以平衡能源和时延。此外，客户使用 AdaDelta 方法进行局部 FL 模型更新，相对于标准 SGD 提高了局部模型收敛性，我们对 FL 收敛性进行了全面分析。数值结果表明，在相同的能源和时延预算下，我们的功率分配方案相较于 Dinkelbach 和 max-sum rate 方法，通过提高测试准确率分别提升了 7% 和 19%。此外，对于三种功率分配方法，我们提出的量化方案相较于 AQUILA 和 LAQ，通过提高测试准确率分别提升了 36% 和 35%。
引用
@article{arxiv.2412.20785,
title = {Accelerating Energy-Efficient Federated Learning in Cell-Free Networks with Adaptive Quantization},
author = {Afsaneh Mahmoudi and Ming Xiao and Emil Björnson},
journal= {arXiv preprint arXiv:2412.20785},
year = {2024}
}