移动边缘网络中的自动化联邦学习——快速适应与收敛
机器学习
2023-03-29 v1 分布式、并行与集群计算
摘要
联邦学习（FL）可用于移动边缘网络以分布式方式训练机器学习模型。近来，FL 已在模型无关元学习（MAML）框架内被阐释，这为 FL 在异构数据集上的快速适应与收敛带来了显著优势。然而，现有研究仅将 MAML 与 FL 简单结合，未明确说明 MAML 为 FL 带来多少收益，以及如何在移动边缘网络上最大化该收益。本文从两方面量化该收益：优化 FL 超参数（即采样数据量与通信轮数）与资源分配（即发射功率）。具体地，我们将基于 MAML 的 FL 设计建模为在模型精度与能耗约束下的总学习时间最小化问题。借助基于 MAML 的 FL 收敛性分析，我们将所构问题分解并随后通过解析解与坐标下降法求解。利用所得 FL 超参数与资源分配，我们设计了一种称为自动化联邦学习（AutoFL）的基于 MAML 的 FL 算法，能够实现快速适应与收敛。大量实验结果验证了 AutoFL 在学习时间与收敛性能上优于其他基准算法。
引用
@article{arxiv.2303.12999,
title = {Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence},
author = {Chaoqun You and Kun Guo and Gang Feng and Peng Yang and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2303.12999},
year = {2023}
}