空中联邦学习中全局偏倚问题的表征
网络与互联网体系结构
2023-01-02 v1 机器学习
摘要
无人机的机动性使得在网络边缘实现灵活且定制化的联邦学习（FL）成为可能。然而，空天地无线信道中的潜在不确定性可能导致有偏的 FL 模型。具体而言，FL 学习轮次中无人机处全局模型的分布与本地更新的聚合由无线信道的可靠性所支配。这造成了一种不期望的偏倚，偏向于具有更好信道条件的地面设备的训练数据，反之亦然。本文表征了大规模无人机网络中的空中 FL 全局偏倚问题。为此，本文提出了一种信道感知的分布与聚合方案，以强制所有设备在 FL 训练中贡献相等，作为解决全局偏倚问题的手段。我们通过在 MNIST 数据集上实验证明了所提方法的收敛性，并展示了其相对于现有方法的优越性。所获得的结果使得系统参数调优能够缓解空中信道缺陷对 FL 收敛速率的影响。
引用
@article{arxiv.2212.14360,
title = {Characterization of the Global Bias Problem in Aerial Federated Learning},
author = {Ruslan Zhagypar and Nour Kouzayha and Hesham ElSawy and Hayssam Dahrouj and Tareq Y. Al-Naffouri},
journal= {arXiv preprint arXiv:2212.14360},
year = {2023}
}