面向细胞免费网络的联邦学习自适应量化分辨率与功率控制
机器学习
2024-12-17 v1 网络与互联网体系结构
信号处理
摘要
联邦学习 (FL) 是一种分布式学习框架，用户通过与服务器交换本地模型更新来训练全局模型，而非原始数据集，从而保留数据隐私并减少通信开销。然而，随着用户数量和模型大小的增加，延迟也随之增大，阻碍了在具有正交接入的传统无线网络中成功实现 FL。细胞免费大型多输入多输出 (CFmMIMO) 是一种承诺在相同时间/频率资源上为众多用户提供相似速率的解决方案。该架构通过空间复用显著减少上行链路延迟，但并不考虑应用特征。在本文中，我们协优化物理层与 FL 应用，以缓解缓慢者效应。我们引入一种新型自适应混合分辨率量化方案，用于本地梯度向量更新，仅对最关键的条目提供高分辨率。随后，我们提出一种动态上行功率控制方案，以管理各用户的速率变化并缓解缓慢者效应。数值结果表明，所提出的方法在 CIFAR-10、CIFAR-100 和 Fashion-MNIST 数据集上，实现的测试准确率与经典 FL 相当，通信开销至少降低 93%。我们将方法与 AQUILA、Top-q 和 LAQ 进行比较，使用 max-sum rate 和 Dinkelbach 功率控制方案。我们的方案在受限总时延预算内，通过减少 75% 的通信开销并实现 10% 更高的测试准确率，显著优于基准方法。
引用
@article{arxiv.2412.10878,
title = {Adaptive Quantization Resolution and Power Control for Federated Learning over Cell-free Networks},
author = {Afsaneh Mahmoudi and Emil Björnson},
journal= {arXiv preprint arXiv:2412.10878},
year = {2024}
}