FedGreen：面向绿色移动边缘计算的细粒度梯度压缩联邦学习
机器学习
2023-11-01 v1
摘要
联邦学习（FL）使移动边缘计算（MEC）中的设备能够协作训练共享模型而无需上传本地数据。梯度压缩可应用于FL以缓解通信开销，但当前带梯度压缩的FL仍面临巨大挑战。为部署绿色MEC，我们提出FedGreen，它通过细粒度梯度压缩增强原始FL，以有效控制系统设备的总能耗。具体而言，我们引入设备端梯度缩减和服务器端逐元素聚合等相关操作，以促进FL中的梯度压缩。基于公开数据集，我们研究了压缩本地梯度在不同压缩比下的贡献。之后，我们建模并解决一个学习精度-能效权衡问题，其中为每个设备推导出最优压缩比和计算频率。实验结果表明，在80%测试精度要求下，与基线方案相比，FedGreen至少降低了设备总能耗的32%。
引用
@article{arxiv.2111.06146,
title = {FedGreen: Federated Learning with Fine-Grained Gradient Compression for Green Mobile Edge Computing},
author = {Peichun Li and Xumin Huang and Miao Pan and Rong Yu},
journal= {arXiv preprint arXiv:2111.06146},
year = {2023}
}
备注
Accepted for publication in Globecom'21