应变无线异构性联邦学习网络的自适应偏置用户调度

联邦学习（FL）已 revolutionize 分布式网络中的协作模型训练，强调数据隐私和通信效率。本文聚焦于在无线异构网络中高效部署FL，特别关注如何加快收敛速度以应对延迟节点。主要目标是通过优化用户调度和资源分配来最小化长期收敛墙钟时间。虽然延迟节点在单轮中可能引入延迟，但它们的包含可能加速后续轮次，尤其当它们拥有关键信息时。此外，平衡单轮持续时间与累计轮次数的挑战（加之动态的训练和传输条件）， necessitates 一种超越常规优化解的新方法。为解决这些挑战，我们推导了针对自适应偏置调度的收敛分析。随后，结合实时系统和统计信息（包括多样化的能源约束和用户的能量采集能力），采用受proximal policy optimization支持的深度强化学习方法，以自适应方式选择用户集合。对于已调度的用户，我们应用拉格朗日分解以优化本地资源利用，进一步提升系统效率。仿真结果验证了该框架在各种FL任务下的有效性和鲁棒性，在不同设置下均显示出比现有基准更短的任务时间。