集成感知、通信与计算的联邦学习：框架与性能分析
机器学习
2024-09-18 v1 分布式、并行与集群计算
摘要
随着集成感知、通信与计算（ISCC）在6G时代的出现，集成感知、通信与计算的联邦学习（FL-ISCC）日益受到关注，旨在提高训练效率。当前，FL-ISCC主要包括两种算法：FedAVG-ISCC和FedSGD-ISCC。然而，这些算法的性能与优势的理论认识仍有限。为填补这一空白，我们研究了一个通用的FL-ISCC框架，实现了FedAVG-ISCC和FedSGD-ISCC。我们实验性地展示了ISCC框架在降低延迟和能耗方面的巨大潜力。此外，我们提供了理论分析和比较。结果揭示：1）样本收集和通信误差均对算法性能产生负面影响，凸显了优化FL-ISCC应用的必要性。2）在独立同分布（IID）数据下，FedAVG-ISCC的优势在于多次本地更新，优于FedSGD-ISCC。3）在非独立同分布（non-IID）数据下，FedAVG-ISCC的多次本地更新会因非IID程度增加而恶化性能，而FedSGD-ISCC能维持接近IID条件下的性能水平。4）FedSGD-ISCC对通信误差更具鲁棒性，而FedAVG-ISCC则因通信误差增加而出现显著性能下降。大量仿真结果确认了FL-ISCC框架的有效性，并验证了我们的理论分析。
引用
@article{arxiv.2409.11240,
title = {Federated Learning with Integrated Sensing, Communication, and Computation: Frameworks and Performance Analysis},
author = {Yipeng Liang and Qimei Chen and Hao Jiang},
journal= {arXiv preprint arXiv:2409.11240},
year = {2024}
}
备注
due to the limitation The abstract field cannot be longer than 1,920 characters", the abstract appearing here is slightly shorter than that in the PDF file