基于分布式用户采样与多信道 ALOHA 的节能联邦学习
信号处理
2023-09-13 v1 信息论
机器学习
math.IT
摘要
随着联邦学习（FL）的出现，边缘设备上的分布式学习受到了越来越多的关注。值得注意的是，边缘设备通常电池有限且能量可用性异构，而 FL 收敛需要多轮迭代，这加剧了对能效的需求。能量耗尽可能阻碍训练过程及训练模型的有效利用。为解决这些问题，本文考虑将能量收集（EH）设备集成到具有多信道 ALOHA 的 FL 网络中，同时提出一种方法以确保低能量中断概率和未来任务的成功执行。数值结果证明了该方法的有效性，尤其是在平均能量收入无法覆盖迭代成本的关键设置中。该方法在收敛时间与电池电量方面优于基于范数的解决方案。
引用
@article{arxiv.2309.06033,
title = {Energy-Aware Federated Learning with Distributed User Sampling and Multichannel ALOHA},
author = {Rafael Valente da Silva and Onel L. Alcaraz López and Richard Demo Souza},
journal= {arXiv preprint arXiv:2309.06033},
year = {2023}
}