联合通信与计算设计的节能联邦边缘学习

本文研究了一种联邦边缘学习系统，其中边缘服务器协调一组边缘设备基于其本地分布式数据样本训练共享机器学习模型。在分布式训练过程中，我们利用联合通信与计算设计来提高系统能效，其中用于全局 ML 参数聚合的通信资源分配与用于本地更新 ML 参数的计算资源分配被联合优化。具体而言，我们考虑了边缘设备向边缘服务器上传 ML 参数的两种传输协议，分别基于非正交多址接入和时分多址。在两种协议下，我们在给定训练精度的约束下，通过联合优化边缘设备上传 ML 参数的发射功率与速率及其用于本地更新的中央处理器频率，在特定有限训练时长内最小化所有边缘设备的总能耗。我们提出高效算法，利用凸优化技术最优求解所构造的能耗最小化问题。数值结果表明，与其他基准方案相比，我们所提出的联合通信与计算设计通过恰当平衡通信与计算之间的能耗权衡，显著提升了联邦边缘学习系统的能效。