无线通信网络上联邦学习的时延最小化
信号处理
2020-07-08 v1 机器学习
摘要
本文研究无线通信网络上联邦学习(FL)的时延最小化问题。在所考虑模型中，每个用户利用有限的本地计算资源以其采集的数据训练本地FL模型，然后将训练好的FL模型参数发送至基站(BS)，由基站聚合本地FL模型并将聚合后的FL模型广播回所有用户。由于FL涉及用户与BS之间的学习模型交换，计算与通信时延均由所需学习精度水平决定，而该精度影响FL算法的收敛速率。这一学习与通信联合问题被建模为时延最小化问题，并证明目标函数是学习精度的凸函数。随后，提出一种二分搜索算法以获得最优解。仿真结果表明，相较于传统FL方法，所提算法最多可降低27.3%的时延。
引用
@article{arxiv.2007.03462,
title = {Delay Minimization for Federated Learning Over Wireless Communication Networks},
author = {Zhaohui Yang and Mingzhe Chen and Walid Saad and Choong Seon Hong and Mohammad Shikh-Bahaei and H. Vincent Poor and Shuguang Cui},
journal= {arXiv preprint arXiv:2007.03462},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1911.02417