GoMORE：面向资源受限无线联邦学习的全局模型复用
信息论
2023-06-09 v1 math.IT
摘要
由于无线环境的动态性与有限带宽，无线联邦学习 (FL) 面临频繁传输错误与设备聚合不完整的挑战。为克服这些挑战，我们提出一种全局模型复用策略 (GoMORE)，在一旦发生传输错误时复用过时的全局模型来替换本地模型参数。我们分析证明所提 GoMORE 严格优于现有策略，尤其在低信噪比 (SNR) 下。此外，基于推导的权重发散表达式，我们进一步优化模型聚合中参与设备的数量，以在有限通信资源下最大化 FL 性能。数值结果验证了所提 GoMORE 通过理想传输成功逼近性能上界。它还缓解了非独立同分布 (non-IID) 数据的负面影响，同时实现超过 5 dB 的能耗降低。
引用
@article{arxiv.2306.05380,
title = {GoMORE: Global Model Reuse for Resource-Constrained Wireless Federated Learning},
author = {Jiacheng Yao and Zhaohui Yang and Wei Xu and Mingzhe Chen and Dusit Niyato},
journal= {arXiv preprint arXiv:2306.05380},
year = {2023}
}
备注
accepted by TEEE WCL