CFLMEC：面向移动边缘计算的协作联邦学习
网络与互联网体系结构
2021-02-23 v1
摘要
我们研究移动边缘计算中设备间的协作联邦学习框架，称为 CFLMEC，其中设备在存在干扰的共享频谱中共存。考虑到协作联邦学习框架的时间平均网络吞吐量与频谱稀缺性，我们着重于最大化到边缘服务器或邻近设备的数据接入量，这填补了带有联邦学习的设备通信资源分配空白。在 CFLMEC 中，设备可以以接力方式将本地模型传输给相应设备或边缘服务器，我们采用分解方法解决资源优化问题，考虑子信道上的最大数据速率、信道复用和无线资源分配，其中建立原对偶学习框架和批量梯度下降以学习具有过时信息的动态网络并预测子信道状况。以最大化设备吞吐量为目标，我们提出在有充足子信道和无充足子信道情况下强依赖蜂窝链路中边缘服务器（SRs）的通信资源分配算法，以及针对 D2D 链路中弱依赖边缘服务器（LRs）的干扰感知通信资源分配算法。大量仿真结果表明，与现有工作相比，CFLMEC 在实现最高本地设备吞吐量的同时限制了子信道数量。
引用
@article{arxiv.2102.10591,
title = {CFLMEC: Cooperative Federated Learning for Mobile Edge Computing},
author = {Xinghan Wang and Xiaoxiong Zhong and Yuanyuan Yang and Tingting Yang},
journal= {arXiv preprint arXiv:2102.10591},
year = {2021}
}
备注
10 pages, 8 figures, submitted to a conference