区块链辅助的无线联邦学习：资源分配与客户端调度
分布式、并行与集群计算
2024-06-04 v1
摘要
基于集中式设计的联邦学习（FL）面临信任问题和单点故障的双重挑战。为了缓解这些问题，区块链辅助的去中心化联邦学习（BDFL）将去中心化网络架构引入FL训练过程，可以有效克服集中式架构的缺陷。然而，在无线网络中部署BDFL通常面临带宽、计算能力和能耗有限等挑战。基于这些考虑，我们制定了一个动态随机优化问题，以在有限能量预算和客户端参与约束下，通过联合优化资源分配和客户端选择来最小化平均训练延迟。我们利用Lyapunov优化工具求解长期混合整数非线性规划问题，从而提出了动态资源分配和客户端调度BDFL（DRC-BDFL）算法。此外，我们分析了DRC-BDFL的学习性能，并推导了关于全局损失函数的收敛上界。在SVHN和CIFAR-10数据集上进行的大量实验表明，DRC-BDFL在达到与基线算法相当的准确率的同时，分别将训练延迟显著降低了9.24%和12.47%。
引用
@article{arxiv.2406.00752,
title = {Blockchain-aided wireless federated learning: Resource allocation and client scheduling},
author = {Jun Li and Weiwei Zhang and Kang Wei and Guangji Chen and Feng Shu and Wen Chen and Shi Jin},
journal= {arXiv preprint arXiv:2406.00752},
year = {2024}
}
备注
14 pages, 4 figures