基于 Q 学习的无线联邦学习自适应客户端选择——Whittle 指数方法
机器学习
2025-09-22 v2 分布式、并行与集群计算
摘要
我们考虑无线联邦学习中的客户端选择问题，旨在减少实现特定学习精度所需的总时间。由于服务器无法观测可以变化其计算和通信效率的客户端动态状态，我们将客户端选择建模为休眠多臂老虎机问题。我们提出了一种可扩展且高效的方法，称为 Whittle Index Learning in Federated Q-learning（WILF-Q），该方法使用 Q 学习来自适应学习和更新与每个客户端相关的近似 Whittle 指数，然后选择指数最高的客户端。与现有方法相比，WILF-Q无需显式了解客户端状态转换或数据分布，使其适用于实际联邦学习环境的部署。实验结果表明，WILF-Q 在学习效率方面显著优于现有基线策略，提供了一种稳健且高效的联邦学习客户端选择方法。
关键词
引用
@article{arxiv.2509.13933,
title = {Adaptive Client Selection via Q-Learning-based Whittle Index in Wireless Federated Learning},
author = {Qiyue Li and Yingxin Liu and Hang Qi and Jieping Luo and Zhizhang Liu and Jingjin Wu},
journal= {arXiv preprint arXiv:2509.13933},
year = {2025}
}