面向NOMA赋能层次化联邦学习的客户端编排与成本高效联合优化
机器学习
2023-11-07 v1 人工智能
摘要
层次化联邦学习（HFL）相较于传统两层联邦学习（FL）在减少网络开销与交互延迟的同时仍保留分布式FL客户端的数据隐私方面展现出巨大优势。然而，通信与能量开销仍是HFL性能的瓶颈，尤其当客户端数量急剧增加时。为解决此问题，本文提出一种半同步云模型聚合下非正交多址（NOMA）赋能的HFL系统，旨在最小化每个HFL全局轮次的时间与能量总成本。具体地，我们首先提出一种基于模糊逻辑的客户端编排策略，综合考虑客户端在信道质量、数据量与模型陈旧性等多方面的异质性。随后，给定基于模糊的客户端-边缘关联，我们构建了边缘服务器调度与资源分配的联合问题。利用问题分解，我们首先通过罚对偶分解（PDD）方法导出边缘服务器调度子问题的闭式解。接着，提出一种基于深度确定性策略梯度（DDPG）的算法以应对时变环境下的资源分配子问题。最后，大量仿真表明所提方案在HFL性能提升与总成本降低方面优于所考虑的基准。
引用
@article{arxiv.2311.02130,
title = {Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning},
author = {Bibo Wu and Fang Fang and Xianbin Wang and Donghong Cai and Shu Fu and Zhiguo Ding},
journal= {arXiv preprint arXiv:2311.02130},
year = {2023}
}