异构蜂窝网络中的分层联邦学习
机器学习
2019-09-06 v1 分布式、并行与集群计算
信息论
信号处理
math.IT
机器学习
摘要
我们研究跨无线设备的协作机器学习(ML)，每个设备拥有各自的本地数据集。由于延迟、带宽和隐私限制，通常无法将这些数据集卸载到云端或边缘服务器以实现强大的ML方案。相反，我们考虑联邦边缘学习(FEEL)，其中设备共享模型参数的本地更新而非其数据集。我们考虑异构蜂窝网络(HCN)，其中小型小区基站(SBS)在其小区内的移动用户(MU)间协调FL，并周期性地与宏基站(MBS)交换模型更新以实现全局共识。我们采用梯度稀疏化与周期平均来提高该分层联邦学习(FL)框架的通信效率。随后我们使用CIFAR-10数据集表明，所提出的分层学习方案能在不牺牲模型精度的前提下显著降低通信延迟。
引用
@article{arxiv.1909.02362,
title = {Hierarchical Federated Learning Across Heterogeneous Cellular Networks},
author = {Mehdi Salehi Heydar Abad and Emre Ozfatura and Deniz Gunduz and Ozgur Ercetin},
journal= {arXiv preprint arXiv:1909.02362},
year = {2019}
}