通过应用协同运行实现电池供电移动设备上联邦异步学习的能量最小化
分布式、并行与集群计算
2022-05-02 v1 机器学习
摘要
能量是大规模联邦系统中一个基本但常被忽视的方面。由于多数研究聚焦于从机器学习算法角度解决计算与统计异质性，其对移动系统的影响仍不明确。本文中，我们设计并实现了一种在线优化框架，将联邦训练异步执行与应用协同运行相连接，以最小化电池供电移动设备上的能耗。通过一系列实验，我们发现将训练过程以后台方式与前台应用协同运行，可使系统获得显著的能耗折扣，且性能下降可忽略。基于这些结果，我们首先研究假设所有未来应用出现均已知的离线问题，并提出一种基于动态规划的算法。随后，我们利用Lyapunov框架提出一种在线算法，通过能量-陈旧性权衡来探索解空间。大量实验表明，该在线优化框架相比先前方案可节省超过60%的能量，且收敛速度加快3倍。
引用
@article{arxiv.2204.13878,
title = {Energy Minimization for Federated Asynchronous Learning on Battery-Powered Mobile Devices via Application Co-running},
author = {Cong Wang and Bin Hu and Hongyi Wu},
journal= {arXiv preprint arXiv:2204.13878},
year = {2022}
}
备注
Accepted by IEEE ICDCS 2022