具有有限前传容量与量化神经网络的云无线接入网绿色联邦学习
信号处理
2023-05-02 v1
摘要
本文中，我们针对云无线接入网（Cloud-RAN）上能量受限设备提出一种节能的联邦学习（FL）框架，其中每个设备采用量化神经网络（QNNs）训练本地 FL 模型，并将量化模型参数传输至远端射频头（RRHs）。每个 RRH 通过无线链路接收来自设备的信号，并经由前传链路将信号转发至服务器。我们严格建立了设备上利用 QNNs 的本地训练能耗模型以及 Cloud-RAN 上的通信模型。基于所提能耗模型，我们构建了一个能量最小化问题，在有限前传容量约束下并保障所提 FL 模型收敛至目标精度，优化前传速率分配、用户发射功率分配与 QNN 精度等级。为求解该问题，我们分析了收敛速率并基于交替优化技术提出高效算法。仿真结果表明，相较于其他传统方法，所提 FL 框架能显著降低能耗。我们得出结论：所提框架在实现 Cloud-RAN 中可持续且环境友好的 FL 方面具有巨大潜力。
引用
@article{arxiv.2305.00504,
title = {Green Federated Learning Over Cloud-RAN with Limited Fronthual Capacity and Quantized Neural Networks},
author = {Jiali Wang and Yijie Mao and Ting Wang and Yuanming Shi},
journal= {arXiv preprint arXiv:2305.00504},
year = {2023}
}