联邦边缘学习的节能无线资源分配
信息论
2019-07-16 v1 机器学习
math.IT
摘要
边缘机器学习涉及在网络边缘开发学习算法，以利用海量分布式数据与计算资源。其中，联邦边缘学习（FEEL）框架因其数据隐私保护特性而尤其有前景。FEEL 通过无线链路协调服务器的全局模型训练与边缘设备的本地模型训练。在本工作中，我们探索了面向 FEEL 的节能无线资源管理（RRM）这一新方向。为降低设备能耗，我们提出了用于带宽分配与调度的节能策略。它们适应设备的信道状态与计算能力，从而在保证学习性能的同时降低其总能耗。与传统的最大速率设计不同，所导出的最优策略将更多带宽分配给那些信道较弱或计算能力较差的被调度设备，而这些设备正是 FEEL 中同步模型更新的瓶颈。另一方面，以闭合形式导出的调度优先级函数偏好具有更好信道与计算能力的设备。所提策略带来的显著节能在学习实验中得以证实。
引用
@article{arxiv.1907.06040,
title = {Energy-Efficient Radio Resource Allocation for Federated Edge Learning},
author = {Qunsong Zeng and Yuqing Du and Kin K. Leung and Kaibin Huang},
journal= {arXiv preprint arXiv:1907.06040},
year = {2019}
}