信道不确定下的联邦学习：客户端调度与资源分配的联合优化
网络与互联网体系结构
2020-02-07 v2
摘要
在这项工作中，我们提出了一种新颖的联合客户端调度和资源块（RB）分配策略，在不完美信道状态信息（CSI）下，使无线环境中联邦学习（FL）相对于基于集中式训练的解决方案的精度损失最小化。首先，该问题被构建为预定义训练时长上的随机优化问题，并使用Lyapunov优化框架求解。为了学习和跟踪无线信道，采用了基于高斯过程回归（GPR）的信道预测方法，并将其纳入调度决策中。所提出的调度策略在完美和不完美CSI下均通过数值仿真进行了评估。结果表明，与最先进的客户端调度和RB分配方法相比，所提方法将精度损失降低了至多25.8%。
引用
@article{arxiv.2002.00802,
title = {Federated Learning under Channel Uncertainty: Joint Client Scheduling and Resource Allocation},
author = {Madhusanka Manimel Wadu and Sumudu Samarakoon and Mehdi Bennis},
journal= {arXiv preprint arXiv:2002.00802},
year = {2020}
}