联邦边缘学习系统中面向空中计算的分量与信道感知动态调度
系统与控制
2022-12-02 v1 系统与控制
摘要
为满足预期海量的计算密集型应用，联邦边缘学习（FEEL）作为一种具有低时延与隐私保护能力的分布式学习新范式应运而生。为进一步提升无线数据聚合与模型学习的效率，空中计算（AirComp）利用无线信道的叠加特性，正成为一种有前景的方案。然而，无线信道的衰落与噪声会在基于 AirComp 的联邦学习中引起聚合失真。此外，所采集数据的质量与边缘设备的能耗也会影响模型聚合的精度、效率及收敛性。为解决这些问题，本文提出一种动态设备调度机制，该机制可选择合适的边缘设备以恰当的功率控制策略发送其本地模型，从而通过 AirComp 参与联邦学习中的服务器模型训练。在该机制中，数据重要性由本地模型参数的梯度、设备信道条件与能耗共同度量。特别地，为充分利用分布式数据集并加速联邦学习收敛速率，未选中设备的本地更新也被保留并累积以供未来潜在传输，而非直接丢弃。此外，我们构建了 Lyapunov 漂移加惩罚优化问题以搜寻最优设备选择策略。仿真结果验证了所提调度机制能获得更高的测试精度与更快的收敛速率，且对不同信道条件具有鲁棒性。
引用
@article{arxiv.2212.00491,
title = {Gradient and Channel Aware Dynamic Scheduling for Over-the-Air Computation in Federated Edge Learning Systems},
author = {Jun Du and Bingqing Jiang and Chunxiao Jiang and Yuanming Shi and Zhu Han},
journal= {arXiv preprint arXiv:2212.00491},
year = {2022}
}