分布式实验设计网络

随着边缘计算能力的增强，模型学习在多样化边缘环境中的部署已经出现。在最近引入的实验设计网络中，网络路由和速率分配被设计用于辅助数据从传感器到异构学习器的传输。我们设计了高效的实验设计网络算法，这些算法（a）是分布式的，并且（b）使用多播传输。这一设置带来了重大挑战，因为经典的分散化方法通常基于可微约束下的（严格）凹目标函数进行操作。相比之下，我们在此研究的问题具有非凸、连续的 DR-次模目标函数，而多播传输自然导致不可微约束。从技术角度来看，我们提出了一种分布式 Frank-Wolfe 算法和一种分布式投影梯度上升算法，结合对不可微约束的松弛，产生的分配在最优解的 $1-1/e$ 因子之内。数值评估表明，我们提出的算法在模型学习质量方面优于竞争对手。