基于流数据的高能效联邦边缘学习：一种 Lyapunov 优化方法
机器学习
2024-10-10 v2 分布式、并行与集群计算
信息论
信号处理
math.IT
摘要
联邦学习 (FL) 因其能够在不泄露用户敏感数据的情况下跨分布式客户端高效训练机器学习模型的优势，近年来受到了广泛关注。具体而言，在联邦边缘学习 (FEEL) 系统中，无线信道的时变特性在通信过程中引入了不可避免的系统动态，从而影响训练延迟和能耗。在本工作中，我们进一步考虑了流数据场景，其中新的训练数据样本随时间在边缘设备上随机生成。我们的目标是开发一种动态调度与资源分配算法，以应对在长期约束能耗下数据到达和资源可用性中固有的随机性。为此，我们将该问题表述为随机网络优化问题，并利用 Lyapunov 漂移加惩罚框架获得了动态资源管理设计。我们提出的算法在每一轮中自适应地决定设备调度、计算能力调整以及带宽和发射功率的分配。我们针对具有异构数据和时变目标函数的设定提供了收敛性分析，这支持了我们提出的调度设计背后的合理性。通过仿真结果验证了我们方案的有效性，表明与基线方案相比，学习性能和能效均有所提升。
引用
@article{arxiv.2405.12046,
title = {Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach},
author = {Chung-Hsuan Hu and Zheng Chen and Erik G. Larsson},
journal= {arXiv preprint arXiv:2405.12046},
year = {2024}
}