面向无线联邦学习的能效信道解码：收敛性分析与自适应设计
信息论
2024-10-23 v3 机器学习
信号处理
math.IT
摘要
部署诸如联邦学习（FL）等分布式学习解决方案时，移动客户端电池容量有限是最关键的挑战之一。虽然普遍认为移动客户端的主要能耗来自上行数据传输，但本文提出了新的发现，即信道解码也对移动客户端的总体能耗贡献显著。基于这一新观察，我们提出一种能效自适应信道解码方案，利用联邦学习对模型误差的内在鲁棒性。具体而言，利用该鲁棒性通过自适应调整解码迭代次数来降低移动客户端信道解码器的能耗。我们理论证明，在适当限制比特误差率（BER）的前提下，带有通信误差的无线联邦学习可与无误差通信的情况下以相同的收敛速率收敛。随后提出的自适应信道解码方案可提高无线联邦学习系统的能效。实验结果表明，与现有方法相比，所提方法在保持相同学习精度的同时，将信道解码能耗降低约20%。
引用
@article{arxiv.2407.13703,
title = {Energy-Efficient Channel Decoding for Wireless Federated Learning: Convergence Analysis and Adaptive Design},
author = {Linping Qu and Yuyi Mao and Shenghui Song and Chi-Ying Tsui},
journal= {arXiv preprint arXiv:2407.13703},
year = {2024}
}
备注
This paper has been accepted by the IEEE TWC