平衡空中联邦学习中的能源效率与分布鲁棒性
机器学习
2023-12-25 v1 信号处理
摘要
无线边缘设备数量的增长加剧了能源、带宽、延迟和数据异构性方面的挑战。这些挑战已成为分布式学习的瓶颈。为解决这些问题，本文提出了一种新颖方法，确保具有空中计算 (AirComp) 的分布鲁棒联邦学习 (FL) 的能源效率。在此背景下，为有效平衡鲁棒性与能源效率，我们引入了一种新颖的客户端选择方法，该方法整合了两个互补的见解：一个是专为能源效率设计的确定性方法，另一个是专为分布鲁棒性设计的概率方法。仿真结果强调了所提算法的有效性，揭示了其在鲁棒性和能源效率方面均优于基线，与所考虑的基线相比实现了超过 3 倍的能源节省。
引用
@article{arxiv.2312.14638,
title = {Balancing Energy Efficiency and Distributional Robustness in Over-the-Air Federated Learning},
author = {Mohamed Badi and Chaouki Ben Issaid and Anis Elgabli and Mehdi Bennis},
journal= {arXiv preprint arXiv:2312.14638},
year = {2023}
}