FLSTRA：平流层中的联邦学习
网络与互联网体系结构
2023-06-12 v3 机器学习
信号处理
最优化与控制
摘要
我们提出一种平流层中的联邦学习（FL）系统，即 FLSTRA，其中高空平台站（HAPS）协助大量地面客户端协作学习全局模型而不共享训练数据。FLSTRA 克服了地面网络中 FL 面临的挑战，例如由于有限的客户端参与和多跳通信导致的慢收敛与高通信延迟。HAPS 利用其高度与尺寸允许更多具有视距（LOS）链路的客户端参与，并放置强大服务器。然而，一次性处理许多客户端会带来计算与传输延迟。因此，我们旨在获得 FLSTRA 的延迟-精度权衡。具体而言，我们首先开发一种用于上行与下行的联合客户端选择和资源分配算法，以在能量与服务质量（QoS）约束下最小化 FL 延迟。其次，我们提出一种通信与计算资源感知（CCRA-FL）算法以实现目标 FL 精度，并推导其收敛速率的上界。所公式化的问题是非凸的；因此我们提出一种迭代算法来求解。仿真结果证明了所提 FLSTRA 系统相比地面基准在 FL 延迟与精度方面的有效性。
引用
@article{arxiv.2302.00163,
title = {FLSTRA: Federated Learning in Stratosphere},
author = {Amin Farajzadeh and Animesh Yadav and Omid Abbasi and Wael Jaafar and Halim Yanikomeroglu},
journal= {arXiv preprint arXiv:2302.00163},
year = {2023}
}
备注
Accepted to IEEE Transactions on Wireless Communications