联邦学习的客户端选择与带宽分配：在线优化视角
网络与互联网体系结构
2022-05-11 v1 分布式、并行与集群计算
摘要
联邦学习（FL）可利用客户端的本地数据集训练全局模型，能充分利用客户端的计算资源，并在保护用户信息需求的前提下于客户端上执行更广泛高效的机器学习。许多现有工作聚焦于在每轮资源受限下优化FL精度，但鲜有工作综合考虑无线联邦学习中所有轮次的时延、精度与能耗优化。受此启发，本文研究无线网络中的FL，其中客户端选择与带宽分配是显著影响客户端时延、精度与能耗的两个关键因素。我们将优化问题建模为混合整数问题，旨在长期能耗约束下最小化所有轮次的时间与精度代价。为解决该优化，我们从在线视角提出逐轮能量漂移加代价（PEDPC）算法，并在IID与非IID数据分布的仿真结果中验证了PEDPC算法在时延、精度与能耗方面的性能。
引用
@article{arxiv.2205.04709,
title = {Client Selection and Bandwidth Allocation for Federated Learning: An Online Optimization Perspective},
author = {Yun Ji and Zhoubin Kou and Xiaoxiong Zhong and Sheng Zhang and Hangfan Li and Fan Yang},
journal= {arXiv preprint arXiv:2205.04709},
year = {2022}
}
备注
submitted to a conference