无线通信网络上的高能效联邦学习
信息论
2020-11-19 v2 机器学习
math.IT
机器学习
摘要
本文研究了无线通信网络上联邦学习（FL）的能效传输与计算资源分配问题。在所考虑的模型中，每个用户利用有限的本地计算资源以其收集的数据训练本地 FL 模型，然后将训练好的 FL 模型发送给基站（BS），基站聚合本地 FL 模型并将其广播回所有用户。由于 FL 涉及用户与 BS 之间的学习模型交换，计算延迟和通信延迟均由学习精度水平决定。同时，由于无线用户的能量预算有限，在 FL 过程中必须同时考虑本地计算能量和传输能量。该联合学习与通信问题被表述为一个优化问题，其目标是在延迟约束下最小化系统的总能耗。为解决该问题，提出了一种迭代算法，其中在每一步推导时间分配、带宽分配、功率控制、计算频率和学习精度的闭式解。由于迭代算法需要初始可行解，我们构造了完成时间最小化问题，并提出了一种基于二分法的算法来获得最优解，该解是原始能量最小化问题的可行解。数值结果表明，与传统 FL 方法相比，所提算法可减少高达 59.5% 的能耗。
引用
@article{arxiv.1911.02417,
title = {Energy Efficient Federated Learning Over Wireless Communication Networks},
author = {Zhaohui Yang and Mingzhe Chen and Walid Saad and Choong Seon Hong and Mohammad Shikh-Bahaei},
journal= {arXiv preprint arXiv:1911.02417},
year = {2020}
}
备注
In IEEE TWC