盲异步空中联邦边缘学习
机器学习
2022-11-01 v1 分布式、并行与集群计算
信号处理
摘要
联邦边缘学习(Federated Edge Learning, FEEL)是一种分布式机器学习技术，其中每个设备通过利用自身数据独立执行本地计算来参与训练全局推理模型。近来，FEEL 已与空中计算(over-the-air computation, OAC)相结合，利用模拟信号的叠加在空中计算全局模型。然而，在将 FEEL 与 OAC 实现时，如何对模拟信号进行预编码以克服接收端的任何时间失准是一个挑战。在这项工作中，我们提出了一种新颖的无同步方法，可在无需任何关于时间失准的先验信息的情况下空中恢复全局模型的参数。为此，我们基于范数最小化问题构建了一个凸优化，通过求解凸半定规划直接恢复全局模型。所提方法的性能通过数值实验在准确率和收敛性方面进行了评估。我们表明，相较于理想同步场景，我们提出的算法差距在 以内，且比不使用任何恢复方法的简单情形性能优 。
引用
@article{arxiv.2210.17469,
title = {Blind Asynchronous Over-the-Air Federated Edge Learning},
author = {Saeed Razavikia and Jaume Anguera Peris and Jose Mairton B. da Silva and Carlo Fischione},
journal= {arXiv preprint arXiv:2210.17469},
year = {2022}
}