无线网络中的分层联邦学习：剪枝应对带宽稀缺与系统异构
系统与控制
2024-03-26 v3 机器学习
网络与互联网体系结构
系统与控制
摘要
虽然实际无线网络具有多个层级，其中终端用户不直接与中心服务器通信，但用户设备计算与电池功率有限，且服务基站（BS）带宽固定。鉴于这些实际约束与系统模型，本文利用模型剪枝，在异构网络（HetNets）中提出一种剪枝赋能的分层联邦学习（PHFL）。我们首先推导收敛速率的上界，其清晰展示了模型剪枝以及客户端与相关BS间无线通信的影响。随后，我们在严格时延与能量约束下，联合优化客户端的模型剪枝比、中央处理器（CPU）频率与传输功率，以最小化收敛界的可控项。然而，由于原问题非凸，我们采用逐次凸近似（SCA）并对松弛后的凸问题联合优化参数。通过大量仿真，我们验证了所提PHFL算法在测试精度、挂钟时间、能耗与带宽需求方面的有效性。
引用
@article{arxiv.2308.01562,
title = {Hierarchical Federated Learning in Wireless Networks: Pruning Tackles Bandwidth Scarcity and System Heterogeneity},
author = {Md Ferdous Pervej and Richeng Jin and Huaiyu Dai},
journal= {arXiv preprint arXiv:2308.01562},
year = {2024}
}
备注
Accepted for publications in the IEEE Transactions on Wireless Communications (TWC); \copyright 2024 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses