移动边缘网络中联邦学习的基于年龄的调度策略
信息论
2019-11-01 v1 信号处理
math.IT
摘要
联邦学习（FL）是一种在训练过程中保护数据隐私的机器学习模型。具体而言，FL 将模型直接下发至用户设备（UE）进行本地训练，边缘服务器周期性收集训练参数以生成改进模型并回传至 UE。然而，由于通信通常通过有限频谱进行，每次全局聚合时仅有部分 UE 能更新其参数。因此，必须设计新的调度算法以促进 FL 的全面实施。本文基于称为更新年龄（AoU）的度量，提出一种调度策略，联合考虑接收参数的陈旧度与瞬时信道质量，以提升 FL 的运行效率。所提算法复杂度低，其有效性由蒙特卡洛仿真证实。
引用
@article{arxiv.1910.14648,
title = {Age-Based Scheduling Policy for Federated Learning in Mobile Edge Networks},
author = {Howard H. Yang and Ahmed Arafa and Tony Q. S. Quek and H. Vincent Poor},
journal= {arXiv preprint arXiv:1910.14648},
year = {2019}
}