具有下行链路设备选择的联邦学习

我们研究联邦边缘学习，其中全局模型利用无线边缘处隐私敏感的数据进行协作训练。参数服务器（PS）跟踪全局模型，并与无线边缘设备共享以使用其私有本地数据进行训练。设备随后将它们的本地模型更新传输至 PS，这些更新被用于更新全局模型。该算法涉及 PS 到设备与设备到 PS 链路的传输，持续进行直到全局模型收敛或没有任何参与设备。在本研究中，我们考虑基于下行链路信道的设备选择，PS 通过该信道与设备共享全局模型。在执行数字下行链路传输时，我们设计了一个部分设备参与框架，在每次迭代中选择设备子集进行训练。因此，与全设备参与情形相比，参与设备可以对全局模型有更好的估计，这源于广播信道的共享特性，代价是仅针对较小数据集更新全局模型。在每次迭代中，PS 根据设备处可用的最新全局模型估计，向不同参与设备广播不同的量化全局模型更新。我们通过使用具有偏斜分布的 MNIST 数据集进行图像分类的实验结果，研究了最佳参与设备数量。