D2D 网络中用于可信决策的信道驱动去中心化贝叶斯联邦学习
信号处理
2023-05-10 v1
摘要
贝叶斯联邦学习（FL）提供了一个原则性框架，用以解释在实现协同训练的节点上可用数据局限性所引起的不确定性。在贝叶斯 FL 中，节点交换关于模型参数空间上局部后验分布的信息。本文关注通过去中心化随机梯度 Langevin 动力学（DSGLD）——一种近期引入的基于梯度的马尔可夫链蒙特卡罗（MCMC）方法——在设备到设备（D2D）网络中实现的贝叶斯 FL。基于 DSGLD 对模型参数施加随机高斯扰动的观察，我们提议利用 D2D 链路上的信道噪声作为 MCMC 采样的机制。所提方法针对基于压缩与数字传输的频域主义 FL 常规实现进行比较，凸显其优势与局限。
引用
@article{arxiv.2210.10502,
title = {Channel-driven Decentralized Bayesian Federated Learning for Trustworthy Decision Making in D2D Networks},
author = {Luca Barbieri and Osvaldo Simeone and Monica Nicoli},
journal= {arXiv preprint arXiv:2210.10502},
year = {2023}
}
备注
submitted