Air-FedGA：一种利用空中计算的成组异步联邦学习机制
分布式、并行与集群计算
2025-07-09 v1
摘要
联邦学习(FL)是一种利用分布式边缘设备（即工作节点）的本地数据训练AI模型的新范式，同时面临着通信资源约束、边缘异构性和数据非独立同分布等各种挑战。空中计算(AirComp)是一种有前景的技术，它通过利用无线多址信道(MAC)的叠加特性来实现模型聚合中通信资源的高效利用。然而，AirComp要求边缘设备之间严格同步，这在异构场景中难以实现。本文提出了一种基于AirComp的成组异步联邦学习机制(Air-FedGA)，它结合了AirComp和异步FL的优势，以应对通信和异构性挑战。具体来说，Air-FedGA将工作节点组织成组，并在每个组内执行空中聚合，同时各组与参数服务器异步通信以更新全局模型。通过这种方式，Air-FedGA通过空中聚合加速了FL模型训练，同时放宽了这种聚合技术的同步要求。我们从理论上证明了Air-FedGA的收敛性。我们为Air-FedGA制定了一个训练时间最小化问题，并提出了功率控制和工作节点分组算法来解决该问题，该算法联合优化了边缘设备的功率缩放因子、参数服务器的去噪因子以及工作节点分组策略。我们在经典模型和数据集上进行了实验，结果表明，与最先进的解决方案相比，我们提出的机制和算法可以将FL模型训练速度提高29.9%-71.6%。
引用
@article{arxiv.2507.05704,
title = {Air-FedGA: A Grouping Asynchronous Federated Learning Mechanism Exploiting Over-the-air Computation},
author = {Qianpiao Ma and Junlong Zhou and Xiangpeng Hou and Jianchun Liu and Hongli Xu and Jianeng Miao and Qingmin Jia},
journal= {arXiv preprint arXiv:2507.05704},
year = {2025}
}
备注
This paper has been accepted by IEEE International Parallel & Distributed Processing Symposium (IPDPS), 2025