面向分布式节能资源分配的联邦学习
信号处理
2024-11-12 v2
摘要
在蜂窝网络中,资源分配以集中式方式进行,这给基站(BS)带来巨大的计算复杂度以及较高的传输开销。本文研究蜂窝网络的分布式资源分配方案,以在上行传输中最大化系统能效,同时保证蜂窝用户的服务质量(QoS)。特别地,为应对无线通信环境中快速变化的信道,我们提出一种鲁棒联邦强化学习(FRL_suc)框架,使本地用户能够在各自训练的本地神经网络指导下,就发射功率和信道分配进行分布式资源分配。分析和数值结果表明,所提出的 FRL_suc 框架能够降低传输开销并将计算从中心服务器卸载到本地用户,同时在能效(EE)方面优于传统的多智能体强化学习算法,并且对信道变化更具鲁棒性。
引用
@article{arxiv.2204.09602,
title = {Federated Learning for Distributed Energy-Efficient Resource Allocation},
author = {Zelin Ji and Zhijin Qin},
journal= {arXiv preprint arXiv:2204.09602},
year = {2024}
}
备注
Accepted by IEEE International Conference on Communications 2022