HFEL：面向高性价比分层联邦边缘学习的联合边缘关联与资源分配

与在远端云上上传原始用户数据进行常规机器学习相比，联邦学习（FL）已被提出作为一种解决移动设备数据隐私问题的引人关注的方法。通过利用边缘服务器作为中介就近执行部分模型聚合并缓解核心网络传输开销，其在低延迟与高能效 FL 方面展现出巨大潜力。因此我们引入一种新颖的分层联邦边缘学习（HFEL）框架，其中模型聚合从云部分迁移至边缘服务器。我们进一步在 HFEL 框架下为设备用户制定了一个联合计算与通信资源分配及边缘关联问题，以实现全局代价最小化。为求解该问题，我们提出一种 HFEL 框架下的高效资源调度算法。它可分解为两个子问题：在为每个边缘服务器调度好设备集合前提下的\emph{资源分配}，以及跨所有边缘服务器的设备用户\emph{边缘关联}。借助单边缘服务器下设备集合凸资源分配子问题的最优策略，可通过迭代全局代价缩减调整过程实现高效的边缘关联策略，该过程被证明收敛至稳定系统点。大量性能评估表明，我们的 HFEL 框架在全局代价节省上优于所提基准，并与常规联邦学习相比取得更好的训练性能。