基于重叠聚类与D2D通信的分散式聚合节能联邦学习
信息论
2022-06-08 v1 math.IT
摘要
联邦学习(FL)已成为一种分布式机器学习(ML)技术，可在不共享用户私有数据的情况下训练模型。本文提出一种称为赋能重叠聚类的分散式聚合联邦学习(FL-EOCD)的分散式FL方案。所引入的FL-EOCD利用设备到设备(D2D)通信和重叠聚类来实现分散式聚合，其中簇定义为典型设备的覆盖区域。位于重叠簇上的设备称为桥接设备(BDs)。在所提FL-EOCD方案中，设想了一种簇通过BDs相连的聚类拓扑，从而每个簇的聚合模型以分散方式传播到其他簇，无需全局聚合器或额外一跳传输。与基于星形的FL不同，所提FL-EOCD方案通过在不同非相邻簇中复用RRBs来涉及大量本地设备。为了评估我们所提FL-EOCD方案相对于基线FL方案的性能，我们考虑在维持FL收敛速率满足其时间约束的条件下，最小化设备的总体能耗。为此，制定了一个联合优化问题，考虑将本地设备/BDs调度至簇头(CHs)以及计算频率分配，并设计了该联合问题的迭代求解方案。进行了大量仿真，以验证所提FL-EOCD算法在能耗、时延和收敛速率方面相对于传统FL方案的有效性。
引用
@article{arxiv.2206.02981,
title = {Decentralized Aggregation for Energy-Efficient Federated Learning via Overlapped Clustering and D2D Communications},
author = {Mohammed S. Al-Abiad and Mohanad Obeed and Md. Jahangir Hossain and Anas Chaaban},
journal= {arXiv preprint arXiv:2206.02981},
year = {2022}
}
备注
15, 9 figures, Journal